Por qué un PDF reparado puede seguir fallando la validación para archivo

La mayoría de los daños reales son estructurales, y los daños estructurales se pueden arreglar

La gran mayoría de los daños reales en un PDF, un archivo que se niega a abrirse por completo o que se abre con errores visibles, se debe a una tabla de referencias cruzadas rota o a un tráiler corrupto, casi siempre como resultado de una descarga interrumpida o de un fallo del disco a mitad de un guardado. Ese tipo de daño se puede reparar por completo. Reconstruir la estructura interna del archivo, que es todo lo que tiene que hacer Reparar PDF en ese caso, lo devuelve a su contenido original sin perder nada, porque el contenido de las páginas nunca se tocó. Solo se rompió el índice que describe dónde encontrarlo. Un visor que rechaza el archivo está rechazando seguir un mapa roto, no está diciendo que las páginas en sí hayan desaparecido.

El daño en el contenido de la página es otro problema distinto

Un flujo de contenido dañado en una página concreta es un problema diferente de un índice roto. En ese caso, las instrucciones vectoriales de texto y dibujo de esa página han desaparecido, ya no están simplemente difíciles de localizar, y ningún tipo de reparación estructural puede reconstruir datos que ya no existen dentro del archivo. La respuesta práctica es representar como imagen todo lo que aún pueda recuperarse de esa página y pasar OCR PDF sobre esa imagen para recuperar texto legible, mientras que cada una de las demás páginas sin daño en el mismo documento conserva su contenido vectorial original sin tocar en ningún momento.

Ser reparable y cumplir PDF/A son estándares distintos

Un PDF que ahora se abre correctamente en cualquier visor, con texto limpio y sin errores visibles en ninguna parte, aún puede fallar por completo la validación de archivo PDF/A, y para ese trabajo aparte existe PDF a PDF/A. Es un estándar diferente y bastante más estricto, que comprueba otras cosas: que todas las fuentes estén incrustadas en el archivo en lugar de solo referenciadas por nombre, que los colores estén ligados a un perfil declarado y fijo, y que no haya ninguna dependencia de recursos externos o de software que el visor podría no tener disponible dentro de varias décadas. Arreglar una estructura rota nunca pretendió garantizar nada de eso. La reparación y el cumplimiento para archivo responden a dos preguntas distintas sobre el mismo archivo.

Por qué un fallo real del validador es más útil que un aprobado falso

Construir la estructura PDF/A sin usar Ghostscript, que aquí se evita de forma deliberada por sus condiciones de licencia, implica ensamblar directamente la estructura necesaria en lugar de recurrir a la vía estándar de conversión en la que se apoyan muchas herramientas. Esto lo convierte en un proceso de mejor esfuerzo y no en uno garantizado. Pasar cada conversión por veraPDF, el validador de referencia en el que confían archivos y tribunales reales, y mostrar su veredicto en lugar de una marca de verificación tranquilizadora, significa que un fallo se informa porque es real. Eso es mucho más útil que una herramienta que proclama un éxito que no puede respaldar.

Leer el motivo concreto del fallo es más útil que ver la validación como aprobar o suspender

Un fallo de validación que enumera las reglas exactas que un documento no ha cumplido, por ejemplo una fuente concreta que no se incrustó o un espacio de color que no se declaró correctamente, es un resultado útil y accionable de una forma que un simple indicador de aprobado o suspendido nunca puede ser. Descargar el archivo independientemente del resultado de la validación y leer qué ha fallado evita que un documento que ya está al noventa y cinco por ciento del cumplimiento total se trate igual que otro que casi no ha empezado el proceso. Las reglas que fallan señalan lo que todavía hay que corregir, en lugar de obligar a abordar todo el documento desde cero.

Elegir una estrategia de reparación y un nivel de PDF/A

Cada herramienta hace primero una pregunta, y una respuesta equivocada cuesta una pasada. Reparar PDF tiene tres estrategias. Auto, la opción por defecto, reconstruye la estructura y solo recurre a una imagen con OCR en las páginas cuyo flujo de contenido está roto. Solo estructura no lo hace nunca: una página rota vuelve en blanco, la mejor opción cuando cada página que sobrevive debe conservar texto real y seleccionable. Rasterizar y OCR redibuja todas las páginas, también las legibles, como imágenes con texto reconocido, y encaja con un archivo cuyas palabras se ven como un galimatías. La pantalla de resultados nombra las páginas recuperadas como imágenes: léela antes de pasar el archivo.

PDF a PDF/A pide un nivel. 2b sirve para casi todo lo creado después de 2010 y conserva la transparencia; 1b convierte en una simple imagen cualquier página con transparencia o capas, rara vez lo ideal para un documento moderno; 3b solo añade el permiso de incrustar otro archivo, como la hoja de cálculo de origen de una factura. Dos cosas pesan más que el nivel: el estándar prohíbe el cifrado, así que un archivo protegido necesita antes Quitar contraseña de PDF, y un escaneo no se puede buscar si no activas la opción de OCR. El resultado suele ser un 10-40 % más grande: las fuentes no incrustadas se sustituyen por Liberation o Noto, métricamente compatibles, y los colores se ligan a sRGB.