¿Qué es un archivo PDF?
Adobe creó el PDF (formato de documento portátil) en 1993 con un objetivo concreto: un documento que se viera idéntico en cualquier dispositivo, sistema operativo e impresora. Lo consiguió describiendo cada página como un conjunto de instrucciones de dibujo en lugar de como un texto que se reajusta.
Cuando abres un PDF no estás leyendo un "documento" al modo en que lo es una página HTML: estás ejecutando un programa que pinta píxeles en unas coordenadas concretas.
La estructura de un archivo PDF
Un PDF se compone de objetos. Cada trozo de contenido del archivo (cadenas de texto, imágenes, fuentes, propiedades de página) se guarda como un objeto con su número único.
Al final del archivo hay una tabla de referencias cruzadas (xref) que indica la posición en bytes de cada objeto, para que el lector pueda saltar directamente a cualquiera sin leer todo el archivo de principio a fin.
El diccionario del documento lista el árbol de páginas, que a su vez lista las páginas, y cada una contiene un flujo de contenido: una secuencia de órdenes de dibujo en la notación postfija del PDF:
BT % Empieza el texto
/Helvetica 12 Tf % Fija la fuente y el tamaño
100 700 Td % Va a la posición x=100, y=700
(Hola, mundo) Tj % Dibuja el texto
ET % Termina el texto
El texto no se guarda como "un párrafo en la posición X", sino como "dibuja esta cadena en estas coordenadas exactas".
Por qué cuesta tanto editar un PDF
Cuando editas un documento de Word, estás editando una estructura con significado: esto es un título, esto son párrafos, esto es una tabla. El programa se encarga de calcular la maquetación.
Un PDF no tiene nada de eso. La palabra "Hola" se guarda como una orden de dibujo de texto en unas coordenadas. No hay párrafos, ni flujo, ni el concepto de "la frase que contiene esta palabra". Para editar una frase, un editor de PDF necesita:
1. Encontrar todas las órdenes de dibujo que componen esa frase 2. Calcular el ancho del texto nuevo, que depende de la fuente concreta 3. Recolocar todo el texto posterior 4. Gestionar el salto de línea si el texto nuevo es más largo
Es genuinamente difícil, y por eso casi todos los "editores" de PDF son en realidad herramientas de anotación que añaden una capa sobre el contenido original en lugar de modificar las órdenes de dibujo.
Las fuentes en un PDF
El PDF gestiona las fuentes de tres maneras:
**Fuentes incrustadas**: los datos de la fuente van dentro del PDF, así que el documento se ve igual en todas partes. Es lo correcto y lo que hacen casi todas las herramientas modernas. Ocupa más, pero garantiza la fidelidad.
**Sustitución de fuentes**: el PDF nombra una fuente pero no la incluye, así que el lector la sustituye por otra parecida. Eso puede cambiar sutilmente la maquetación y romper algunos caracteres.
**Subconjuntos de fuente**: solo se incrustan los glifos (caracteres) que realmente usa el documento. Reduce el peso, pero significa que no puedes añadir texto nuevo con esa fuente sin tener el archivo original.
Los metadatos de un PDF
Los PDF contienen metadatos que mucha gente no sabe que están ahí:
- Título, autoría, asunto y palabras clave (las propiedades del documento)
- Fecha de creación y de modificación
- La aplicación que creó el archivo (por ejemplo, "Microsoft Word 2021")
- A veces, el nombre de usuario de quien lo creó
Estos metadatos se cuelan muchas veces sin querer al compartir un PDF fuera de la organización. Ha habido despachos de abogados que han filtrado información de clientes por los metadatos de un PDF, y periodistas que han dejado expuestas a sus fuentes por olvidarse de limpiarlos antes de publicar.
El editor de metadatos de PDF de NoxaKit te permite verlos y eliminarlos. Y la herramienta de compresión con ajustes predefinidos los elimina como parte del proceso.
Capas y anotaciones
Los PDF admiten grupos de contenido opcional (capas): puedes tener contenido visible solo con ciertas capas activas. Se usa en planos de ingeniería, documentos multilingües y versiones distintas para pantalla e imprenta.
Las anotaciones son añadidos a una página (comentarios, subrayados, campos de formulario) que viven como una capa aparte sobre el contenido original. Aplanar un PDF fusiona las anotaciones con la página y las vuelve permanentes e ineditables.
Seguridad
Las contraseñas de un PDF funcionan en dos niveles. La contraseña de propietario controla los permisos de edición, aunque se puede saltar con herramientas al alcance de cualquiera, porque no es cifrado de verdad. La contraseña de usuario sí cifra el contenido y hace falta para abrir el archivo. El cifrado AES-256 en PDF 1.7 o superior es genuinamente seguro.
Y sobre censurar contenido: tapar un texto dibujando un rectángulo negro encima no lo elimina, porque el texto sigue ahí debajo en el flujo de dibujo. Un censurado correcto elimina el contenido subyacente del archivo por completo.