Como PDFs armazenam texto e imagens (nos bastidores)

Cada arquivo PDF tem a mesma disposição em quatro partes:

1. Cabeçalho — uma linha, p. ex. %PDF-1.7, declarando a versão.
2. Corpo — uma sequência de objetos indiretos numerados. É onde tudo vive: páginas, fontes, imagens, metadados.
3. Tabela de referências cruzadas (xref) — deslocamentos de bytes de cada objeto, para que um leitor possa encontrá-los sem percorrer todo o arquivo.
4. Trailer — aponta para o objeto raiz (o catálogo do documento), o local do xref e informações de criptografia opcionais. O leitor lê o trailer primeiro, depois salta para a raiz.

A concepção trailer-primeiro é por que um PDF pode ser lido em tempo constante sem carregar todo o arquivo — importante para documentos volumosos e leitores em fluxo.

Cada objeto no corpo é numerado e se parece com isto:

3 0 obj
<< /Type /Page /MediaBox [0 0 612 792] /Contents 4 0 R /Resources << /Font << /F1 5 0 R >> >> >>
endobj

O 3 0 obj diz «este é o objeto 3, geração 0». O corpo dentro de << ... >>é um dicionário — uma lista de pares chave/valor. Os valores podem ser números, strings, nomes (prefixados por /), arrays, outros dicionários ou referências como 4 0 R(«vá olhar o objeto 4»). É assim que uma página aponta para seu fluxo de conteúdo e suas fontes sem incorporá-los.

O número de geração é geralmente 0. Ele é incrementado quando uma atualização incremental remove e regrava um objeto — uma funcionalidade que permite editar PDFs adicionando modificações ao final do arquivo sem regravar tudo. A maioria dos escritores modernos regrava todo o arquivo, então as gerações permanecem em 0.

O conteúdo de uma página vive em um fluxo de conteúdo — um objeto cujo valor é um fluxo de bytes (frequentemente comprimido por Flate) contendo operadores de desenho PDF. O texto é desenhado com operadores como BT (begin text),Tf (set font e size), Td (move position), Tj (show text) e ET(end text). Um simples «Hello» se parece aproximadamente com:

BT
/F1 24 Tf
100 700 Td
(Hello) Tj
ET

A string (Hello) usa a codificação da fonte. Para texto latino simples, é frequentemente WinAnsiEncoding ou a codificação incorporada da fonte. Para texto Unicode, a string é uma string de bytes codificada em 16 bits e a fonte tem um mapeamento/ToUnicode que permite aos leitores recuperar os code points reais para copiar-colar e buscar. Se um PDF tem copiar-colar corrompido mas texto visível, o mapeamento /ToUnicode está faltando ou errado — um bug de exportação comum.

O texto não é armazenado como HTML ou parágrafos. Não há objeto semântico «parágrafo». Linhas, quebras de linha e posicionamento são todos comandos de desenho explícitos. É por isso que reflow um PDF para uma largura de página diferente é difícil: o leitor teria que fazer engenharia reversa da disposição a partir dos comandos de desenho.

Um objeto fonte em PDF tem duas partes: umdicionário de fonte que nomeia a fonte e aponta para seus dados, e o programa de fonteele próprio (Type 1, TrueType ou OpenType) incorporado como fluxo. A especificação PDF exige que as fontes sejam incorporadas para que o documento renderize identicamente em todo lugar — mas não a impõe, é por isso que alguns PDFs substituem fontes em máquinas que não as têm.

O subsetting incorpora apenas os glifos realmente utilizados no documento. Uma fonte de 250 Ko usada para um único título torna-se um subset de 8 Ko. A maioria dos exportadores modernos faz subsetting por padrão. Exportadores antigos ou alguns caminhos «Print to PDF» incorporam às vezes a fonte completa, o que é uma causa comum de arquivos inchados. Veja nosso guia de tamanho de arquivo para o detalhe completo.

As imagens são armazenadas como XObjects(objetos externos) — fluxos de dados de pixels raw ou comprimidos com um dicionário descrevendo largura, altura, espaço de cor, bits por componente e filtro. O fluxo de conteúdo da página então desenha a imagem com o operador Do.

PDF suporta vários filtros de imagem (compressão):

• DCTDecode — JPEG. Com perdas, bom para fotos. A fonte mais comum de tamanho em PDFs ricos em imagens.
• FlateDecode — zlib/deflate. Sem perdas, bom para arte vetorial e imagens com poucas cores.
• JPXDecode — JPEG2000. Melhor compressão que JPEG em alta qualidade, mas mais lento e menos universalmente suportado.
• JBIG2Decode — para texto digitalizado bitonal (1-bit). Pode reduzir drasticamente páginas digitalizadas.
• CCITTFaxDecode — compressão de fax clássica para imagens bitonais.

Um PDF rico em imagens é sobretudo uma sequência de fluxos de imagens comprimidas. Recodificar esses fluxos com uma qualidade JPEG mais agressiva é a alavanca única mais importante de tamanho para documentos digitalizados.

A tabela xref lista o deslocamento de bytes de cada objeto indireto. Um leitor abre o arquivo, lê o trailer (que está em um deslocamento conhecido desde o final do arquivo), encontra o xref e o usa para saltar diretamente a qualquer objeto sem analisar todo o arquivo. É o que torna PDF de acesso direto.

O PDF 1.5 adicionou os fluxos de referências cruzadas, que comprimem a tabela xref ela própria. Combinado com fluxos de objetos (muitos pequenos objetos empacotados em um fluxo comprimido), é a compressão estrutural que torna os PDFs modernos menores que seus equivalentes 1.4. Veja nossoexplicador de compressão para o que isso faz na prática.

O trailer também aponta para/Root (o catálogo do documento, que lista a árvore de páginas), o dicionário /Info(Title, Author, CreationDate — os metadados) e opcionalmente o dicionário /Encrypt se o arquivo estiver criptografado.

Todo objeto cujo valor são dados binários (um fluxo de conteúdo, uma imagem, uma fonte incorporada) é umfluxo: um dicionário seguido destream, bytes raw eendstream. A entrada /Filter do dicionário indica ao leitor como decodificar os bytes — FlateDecode para zlib, DCTDecodepara JPEG, etc. Vários filtros podem ser encadeados, p. ex. uma imagem que é decodificada e depois subamostrada.

É por isso que «comprimir um PDF» não é uma operação. Cada fluxo é comprimido independentemente com seu próprio filtro. Uma ferramenta de compressão que regrava com fluxos de objetos reduz o overhead estrutural; recodificar as imagens com uma qualidade JPEG mais agressiva reduz os fluxos de imagens. São alavancas independentes.

Quando uma ferramenta como IXPDF funde, divide ou gira um PDF, ela analisa o xref, percorre a árvore de páginas, copia ou reorganiza os objetos de página e regrava o xref e o trailer. Os fluxos de conteúdo (texto e imagens) são copiados byte a byte — sem recodificação, sem perda de qualidade. É por isso que operações estruturais são rápidas e sem perda: elas reorganizam referências de objetos, não rerenderizam a página.

A compressão é a exceção: ela resserializa a estrutura com fluxos de objetos. Mesmo assim, os fluxos de imagens e fontes são copiados como estão salvo se o usuário pedir explicitamente para recodificá-los.

Tudo isso acontece no seu navegador via um Web Worker — o arquivo é analisado, modificado e resserializado localmente. Seu PDF nunca sai do seu dispositivo.