Réparer PDF

Ce qui est généralement cassé, et les deux façons de s'en sortir

La plupart des PDF qui refusent de s'ouvrir ne sont pas vraiment endommagés. Un PDF se termine par une table de références croisées — un index qui enregistre la position en octets de chaque objet du fichier — et les visionneuses s'en servent pour trouver quoi que ce soit. Si cet index est corrompu, un document parfaitement intact devient impossible à ouvrir, car rien ne peut être localisé alors que tout est présent. Téléchargement interrompu, enregistrement coupé net, application qui plante, fichier modifié par un logiciel qui n'a pas mis à jour les positions, transfert qui a altéré les fins de ligne : tous cassent l'index, et aucun ne touche au contenu.

La première passe tire parti exactement de cela. Le fichier est analysé avec souplesse, en ignorant les positions annoncées lorsqu'elles ne correspondent pas à ce qui s'y trouve réellement, puis réécrit à neuf avec un index correct, des longueurs de flux correctes et un trailer propre. C'est ce qui récupère la grande majorité des fichiers, c'est rapide, et rien n'est modifié dans les pages — le résultat est votre document, auquel on a simplement remis une table des matières qui fonctionne.

Lorsque le fichier ne peut pas du tout être analysé, la seconde passe fait ce que fait un logiciel de récupération de bureau : elle parcourt les octets bruts du début à la fin à la recherche d'en-têtes d'objets, rassemble tout ce qui ressemble encore à un objet PDF, et reconstruit l'index à partir de ce qui est réellement présent plutôt que de ce que le fichier prétend contenir. La page vous indique laquelle des deux passes a été exécutée, car cela compte — une reconstruction signifie que la structure d'origine était illisible, et le résultat mérite d'être vérifié avant de s'y fier.

Aucune des deux passes ne peut inventer des données absentes, et aucun outil au monde ne le peut. Si un téléchargement s'est arrêté à soixante pour cent, les quarante pour cent de pages restants n'existent pas dans le fichier ; la récupération trouve les pages arrivées et s'arrête là. Si les dégâts se trouvent dans un flux compressé, ce flux ne peut pas être décompressé et la page qu'il dessinait revient blanche, tandis que ses voisines sont intactes. Récupérer une partie d'un document est ici le bon résultat normal, et récupérer à nouveau le fichier d'origine vaut toujours mieux que réparer une copie tronquée.

Si vous cherchez autre chose

qpdf est l'outil de référence pour cela et effectue la même première passe de façon plus approfondie : qpdf --replace-input damaged.pdf réécrit le fichier avec un index correct, et gère les documents chiffrés, les flux d'objets et les fichiers linéarisés sur lesquels une analyse souple peut buter. mutool clean -ggg in.pdf out.pdf va encore plus loin, en reconstruisant l'arborescence des pages et en éliminant tout ce qui n'est pas référencé. Les deux sont gratuits, les deux traitent des fichiers bien plus gros que ce qu'un onglet de navigateur peut contenir, et les deux vous disent ce qu'ils ont dû corriger.

Pour un fichier si endommagé que l'analyse objet par objet est la seule option, Ghostscript est souvent le plus tenace : gs -o repaired.pdf -sDEVICE=pdfwrite broken.pdf interprète le contenu des pages au lieu de simplement le réindexer, ce qui permet parfois de reconstruire des pages que les autres outils abandonnent — au prix d'une réécriture complète, si bien que le résultat n'est plus identique octet pour octet à ce qui avait survécu.