Конвертировать PDF в PDF/A

Три требования из четырёх — и какого не хватает

PDF/A — архивный профиль, тот самый, который просят система подачи документов в суд, портал приёма статей журнала или национальная библиотека, и требует он одного: файл должен быть самодостаточным, чтобы через пятьдесят лет одинаково отображаться в программах, которые ещё никто не написал. На практике это сводится к четырём вещам: пакет метаданных XMP с заявленным уровнем соответствия, выходной профиль (output intent), задающий цветовое пространство для интерпретации цветовых значений, сведения о документе, согласованные с метаданными, и все использованные шрифты, встроенные в файл.

Первые три добавляются здесь. Пакет метаданных записывается с выбранным вами уровнем соответствия; сведения о документе переписываются под него, потому что валидатор забракует файл, у которого название в двух местах разное; а выходной профиль несёт настоящий ICC-профиль sRGB, сгенерированный прямо в файле, а не приложенный двоичным блоком, — он занимает около четырёхсот байт, так что подгружать его откуда-то нет смысла.

Четвёртое здесь сделать нельзя, и это честная часть. Чтобы встроить отсутствующий шрифт, нужен файл шрифта, а его-то в документе и нет. Браузер не может взять его из ниоткуда, а подстановка похожего шрифта дала бы файл, который проходит проверку, но текст в нём перетекает, — это хуже, чем провал проверки. То же с цветом: чтобы привести CMYK-изображение к заявленному выходному профилю, нужны система управления цветом и исходный профиль. Большинство PDF, созданных в этом веке в Word, LibreOffice, InDesign или приличным драйвером принтера, уже содержат встроенные шрифты, и тогда добавленное здесь — это всё, чего не хватало.

Поэтому правильно описывать результат как структуру PDF/A, а не сертифицированный файл PDF/A — различие, которое важно лишь потому, что порталы приёма документов прогоняют файлы через валидатор. Проверьте свой, прежде чем на него полагаться. veraPDF — эталонная реализация, которую поддерживает PDF Association, она бесплатна и точно называет пункт, который не выполнен, вместо того чтобы отвергнуть файл без объяснений.

Если нужно другое

Ghostscript умеет делать то, чего не может этот инструмент. gs -dPDFA=2 -dBATCH -dNOPAUSE -sColorConversionStrategy=UseDeviceIndependentColor -sDEVICE=pdfwrite -dPDFACompatibilityPolicy=1 -sOutputFile=out.pdf PDFA_def.ps in.pdf пересобирает документ через полноценный интерпретатор: встраивает недостающие шрифты из системы, конвертирует цвет через настоящие ICC-профили и, если выполнить требования не удаётся, отказывается работать, а не выдаёт молча невалидный файл. Это принципиально другая операция, чем добавление правильных метаданных в файл, который и так почти соответствовал стандарту.

Чтобы отсканированный документ по-настоящему годился для архива, PDF/A требует ещё и текстовый слой, и ocrmypdf --output-type pdfa in.pdf out.pdf делает OCR и конвертацию за один шаг. Он бесплатен, и именно его на деле запускает большинство рабочих процессов в организациях.