Converter PDF em PDF/A

Três dos quatro requisitos, e qual deles falta

PDF/A é o perfil de arquivamento — o que pedem o sistema de peticionamento de um tribunal, o portal de submissão de uma revista científica ou uma biblioteca nacional —, e o que ele exige é que o arquivo seja autossuficiente, para ser exibido igualzinho daqui a cinquenta anos em um software que ninguém escreveu ainda. Na prática, isso se resume a quatro coisas: um pacote de metadados XMP declarando o nível de conformidade que o arquivo afirma ter, um perfil de saída (output intent) indicando o espaço de cor em que seus números devem ser interpretados, informações do documento que batam com os metadados e todas as fontes usadas incorporadas no arquivo.

As três primeiras são adicionadas aqui. O pacote de metadados é gravado com o nível de conformidade que você escolher; as informações do documento são reescritas para bater com ele, porque um validador reprova um arquivo cujo título diz uma coisa em dois lugares diferentes; e o perfil de saída leva um perfil ICC sRGB legítimo, gerado dentro do arquivo em vez de incluído como um bloco binário pronto — ele tem cerca de quatrocentos bytes, pequeno o bastante para não haver motivo de buscar um.

O quarto não dá para fazer aqui, e esta é a parte honesta. Incorporar uma fonte ausente exige o arquivo da fonte, e o arquivo da fonte é justamente o que não está no documento. Nada em um navegador consegue inventá-lo, e trocar por uma fonte parecida geraria um arquivo que passa na validação enquanto o texto muda de lugar — pior do que reprovar. O mesmo vale para a cor: converter uma imagem CMYK para o perfil de saída declarado exige um mecanismo de gerenciamento de cores e o perfil de origem. A maioria dos PDFs gerados neste século pelo Word, pelo LibreOffice, pelo InDesign ou por um bom driver de impressora já incorpora as fontes, e nesse caso o que é adicionado aqui é tudo o que faltava.

Então o jeito certo de descrever o resultado é estrutura PDF/A, e não um arquivo PDF/A certificado — uma distinção que só importa porque os portais de envio rodam um validador. Verifique o seu antes de contar com ele. O veraPDF é a implementação de referência mantida pela PDF Association, é gratuito e diz exatamente qual cláusula falhou, em vez de rejeitar o arquivo sem explicação.

Quando você precisa de outra coisa

O Ghostscript é a ferramenta que consegue fazer a parte que esta não faz. gs -dPDFA=2 -dBATCH -dNOPAUSE -sColorConversionStrategy=UseDeviceIndependentColor -sDEVICE=pdfwrite -dPDFACompatibilityPolicy=1 -sOutputFile=out.pdf PDFA_def.ps in.pdf reconstrói o documento com um interpretador completo: incorpora as fontes do sistema quando elas estão faltando, converte as cores com perfis ICC de verdade e se recusa a continuar, em vez de gerar em silêncio um arquivo inválido, quando não consegue cumprir a norma. É uma operação genuinamente diferente de adicionar os metadados certos a um arquivo que já estava quase em conformidade.

Para um documento digitalizado, o PDF/A também pede uma camada de texto para que o arquivamento faça algum sentido, e o ocrmypdf --output-type pdfa in.pdf out.pdf faz o OCR e a conversão em uma só etapa. Ele é gratuito e é o que a maioria dos fluxos de trabalho institucionais realmente usa.