Reparar PDF

Qué suele estar roto y las dos formas de recuperarlo

La mayoría de los PDF que no se abren no están dañados en ningún sentido importante. Un PDF termina con una tabla de referencias cruzadas, un índice que registra la posición en bytes de cada objeto del archivo, y los lectores la usan para encontrar cualquier cosa. Si ese índice se corrompe, un documento perfectamente intacto deja de abrirse, porque no se puede localizar nada aunque todo esté ahí. Descargas interrumpidas, un guardado que se cortó, una aplicación que se colgó, un archivo editado por algo que no actualizó las posiciones, una transferencia que alteró los saltos de línea: todo eso rompe el índice y nada de eso toca el contenido.

La primera pasada aprovecha justamente eso. El archivo se analiza de forma permisiva, ignorando las posiciones declaradas cuando no coinciden con lo que realmente hay, y luego se vuelve a escribir con un índice correcto, longitudes de flujo correctas y un trailer limpio. Así se recupera la gran mayoría de los archivos, es rápido y no se modifica nada de las páginas: el resultado es tu documento con un índice que funciona de nuevo.

Cuando el archivo no se puede analizar en absoluto, la segunda pasada hace lo mismo que una herramienta de recuperación de escritorio: recorre los bytes en bruto de principio a fin buscando encabezados de objetos, reúne todo lo que todavía parece un objeto PDF y reconstruye el índice a partir de lo que realmente está presente, no de lo que el archivo dice tener. La página te indica cuál de las dos se ejecutó, porque importa: una reconstrucción significa que la estructura original era ilegible, y conviene revisar el resultado antes de confiar en él.

Ninguna de las dos pasadas puede inventar datos que no existen, y ninguna herramienta en ningún lugar puede. Si una descarga se detuvo al sesenta por ciento, el cuarenta por ciento final de las páginas no existe en el archivo; la recuperación encuentra las páginas que llegaron y se detiene ahí. Si el daño está dentro de un flujo comprimido, ese flujo no se puede descomprimir y la página que dibujaba sale en blanco mientras las de al lado quedan bien. Recuperar parte de un documento es el buen resultado habitual aquí, y volver a conseguir el archivo original siempre es mejor que reparar una copia incompleta.

Si buscas otra cosa

qpdf es la herramienta de referencia para esto y hace la misma primera pasada con más profundidad: qpdf --replace-input damaged.pdf reescribe el archivo con un índice correcto, y maneja documentos cifrados, flujos de objetos y archivos linealizados con los que un análisis permisivo puede tropezar. mutool clean -ggg in.pdf out.pdf va aún más lejos: reconstruye el árbol de páginas y descarta todo lo que no está referenciado. Ambos son gratuitos, ambos procesan archivos mucho más grandes de lo que cabe en una pestaña del navegador y ambos te dicen qué tuvieron que arreglar.

Para un archivo tan dañado que buscar objetos es la única opción, Ghostscript suele ser el más persistente: gs -o repaired.pdf -sDEVICE=pdfwrite broken.pdf interpreta el contenido de las páginas en lugar de solo volver a indexarlo, lo que a veces reconstruye páginas con las que las otras herramientas se rinden; a cambio lo reescribe todo, así que el resultado ya no es idéntico byte a byte a lo que sobrevivió.