Формат PDF

PDF придумали в Adobe в 1993 году для одной задачи: сделать документ, который выглядит одинаково везде — на любом экране, в любой операционной системе и на любом принтере. До этого файл, набранный на одном компьютере, на другом рассыпался из-за отсутствующих шрифтов и разных настроек печати.

Решение было радикальным: PDF хранит не только текст, но и описание того, как именно его рисовать, вместе со встроенными шрифтами и точными координатами каждого элемента. С 2008 года формат перестал быть собственностью Adobe и стал открытым стандартом ISO 32000.

Что внутри

PDF — это контейнер с объектами: страницами, шрифтами, изображениями, векторной графикой и потоками данных. Текст в нём хранится не абзацами, а фрагментами с координатами, поэтому при копировании из PDF нередко ломается порядок строк в многоколоночной вёрстке.

Изображения вкладываются как есть, в своём собственном сжатии. Именно поэтому вес документа определяют они: десять сканов с телефона превращаются в файл на 30–50 МБ, а тот же текст, набранный в редакторе, занял бы меньше мегабайта.

Скан и документ — разные вещи

Это главное различие, от которого зависит всё остальное. Документ, созданный в редакторе, содержит текстовый слой: его можно выделять, искать, копировать и сжимать без потери качества. Скан содержит только картинки: искать по нему нельзя, а уменьшить его размер можно лишь ухудшив изображение.

Распознавание текста на сканах (OCR) — отдельная задача, которую браузерные инструменты не решают.

Что можно сделать с PDF прямо в браузере

Объединить несколько документов в один, разделить на страницы, удалить лишние страницы, повернуть неправильно отсканированные листы и уменьшить размер файла под лимит формы загрузки.

Есть и обратные преобразования: из картинок собрать PDF, развернуть страницы в изображения и извлечь текстовый слой.

Поскольку в PDF чаще всего хранят договоры, паспорта и выписки, все операции здесь выполняются в браузере: документ не передаётся на сервер.