PDFを編集

PDFの編集が普通の文書の編集より難しい理由

PDFには段落がありません。ページは描画プログラムのようなもので、その中のテキストは、特定の文字の形（グリフ）を特定の座標に置くという命令の連なりです。それらのグリフが文、行、列を成しているという記録はありません。このエディターの処理はすべて、失われたその構造を組み立て直すところから始まります。コンテンツストリームを描画命令に分解し直し、ページが使うフォントをリソースから読み出し、各フォントの文字対応表を使ってグリフのコードを読める文字に戻します。最近の作成ソフトは、コードがUnicodeとまったく関係のない生のグリフ番号である2バイトのサブセットを埋め込むので、この対応表がなければ、ページのテキストは扱いにくいどころか本当に読めません。

行を組み直すには、フォントの名前だけでなくメトリクスも必要です。つまり、各グリフの送り幅で、単純なフォントでは平たい幅の配列から、大きなフォントでは連続長の形式から読み取ります。新しい文字を配置する前に、文書自体の書体で幅を測る必要があるからです。書き換えた行が白いパッチで覆って打ち直すのではなく、元のフォント、サイズ、色を保てるのはこのためです。そして、正直な制限の理由もここにあります。テキストは再配置されません。長い文はその行でより多くの幅を使いますが、次の行を押し下げることはありません。押し下げる次の行というものがなく、固定された座標に命令がさらにあるだけだからです。Acrobatも同じ理由で同じ動作をします。

埋め込みフォントはたいていサブセットで、文書がすでに使っているグリフしか含んでいません。サブセットにない文字を入力すると描くグリフがないので、エディターは空白を書き込んだり、別の書体に黙って置き換えたりせず、その旨をお知らせします。新しく追加するテキストは、ラテン文字、キリル文字、ギリシャ文字を網羅する完全なUnicode書体を埋め込むことでこの問題を回避しています。「テキストを追加」ツールで、一度もそれらの文字を含んだことのない文書にポーランド語、トルコ語、ロシア語を入力できるのはこのためです。文脈に応じたシェーピングが必要な文字体系は、最初からお断りしています。アラビア文字は位置によって形が変わり、ベンガル文字の結合文字は1つのグリフなので、コードポイントを1つずつ並べて置いても、見た目が悪いだけでなく誤った文字になってしまうからです。

座標の上下は一度だけ反転します。人は上から下へ読むのでインターフェースはページの上端から測りますが、PDFは下端から上へ測ります。すべての書き込みは前者の座標系で保存し、ファイルに書き込む瞬間に1か所で後者に変換します。署名が上下逆さまになったり、ハイライトが文から数センチ下にずれたりするのを確実に防げるのは、このやり方だけです。

ほかの目的には

スキャンしたページには編集できるテキストがありません。それは文字を写した写真で、コンテンツストリームには画像しか入っていないからです。先にOCRにかけて編集できる文字を作るか、そのページでは「塗りつぶし」と「テキストを追加」が唯一の現実的な方法だと割り切ってください。

編集が実質的に書き直し（段落の再配置、表の移動、文書のスタイル変更）である場合、高価なものも含めて、どのPDFエディターも適した道具ではありません。変更したい構造は、PDFを作成した時点で捨てられているからです。元の文書があればそちらに戻るか、Wordに変換してそちらで編集してください。多数のファイルにスクリプトで変更を加えるなら、pikepdfやmutool clean -dがコンテンツストリームを直接扱え、どちらもページを先に描画する必要がありません。