Portable Document Format

A Wikipédiából, a szabad lexikonból.

**Portable Document Format (PDF)**

Fájlkiterjesztés:	`.pdf`
MIME-típus:	`application/pdf`
Fejlesztő:	Adobe Systems
Type code (Mac OS):	`PDF` (beleértve a szóköz karaktert is az F után)
Formátum típusa:	bináris fájlformátum

A Portable Document Format (PDF) az Adobe Systems által kifejlesztett bináris fájlformátum, mely formátumban dokumentumok tárolhatók melyek különböző szoftverrel, különböző hardver és operációs rendszer alatt olvashatók és létrehozhatók. A PDF alkalmas szöveget, ábrát és képeket tartalmazó dokumentum leírására eszközfüggetlen és felbontásfüggetlen formában. A dokumentum lehet egyoldalas vagy többezer oldalas, egyszerű vagy összetett: sokféle betűtípussal, ábrával, színnel és képpel, továbbá tartalmazhat interaktív beviteli mezőket, nyomógombokat, stb. lehetőséget teremtve arra, hogy üres űrlapokat hozzunk létre, amit a felhasználók később elektronikus formában is ki tudnak tölteni. A PDF egy nyílt szabvány, emiatt bárki jogdíjmentesen írhat alkalmazásokat, amelyek olvasnak vagy írnak PDF formátumot.

[szerkesztés] Verziók

A PDF fájlformátum jelenleg az 1.6 verziónál tart. A PDF verziószámok két részből állnak: az első szám (az ún. major number) akkor változik, ha a szabványban a kompatibilitást is érintő változások történnek; a kisebb, a kompatibilitást nem érintő változásokat a második szám (az ún. minor number) változása jelzi. Minden PDF formátumú fájl tartalmazza, hogy az adott fájl a szabvány melyik verziójának felel meg, az adott verziót és annál kisebb verziószámot támogató PDF-nézegetőknek be kell tudni olvasni, illetve meg kell tudni jeleníteni a fájlt. Az 1.4 verzió előtti PDF fájlok verziószáma egyértelműen kiderül a fájl első sorából, ami egy speciális comment formájában tartalmazza a verziószámot. Az 1.4 verzió óta az első sor által megadott verziószámot a fájlban található speciális Version bejegyzés felüldefiniálhatja és ilyenkor az utóbbi verziószám a helyes.

[szerkesztés] A PDF fájl fizikai felépítése

A PDF fájlok fizikailag 4 különböző típusú részből állnak. Ezek a következők:

a fejléc (file header)
a törzs (file body)
a kereszthivatkozási táblázat (cross-reference table)
a lezáró rész (trailer)

A PDF fájlok támogatják az incrementális update-elést és ezért a törzs, a kereszthivatkozási táblázat és a lezáró rész (ebben a sorrendben) többször is előfordulhatnak a fájlban, azaz az incrementális update során újabb törzsadatok, kereszthivatkozási táblázat és lezáró rész lesz hozzáfűzve a meglévő fájlhoz anélkül, hogy a már meglévő adatokat megváltoztatnánk. Ebből következően a PDF fájlok elemzését (parse-olását) a fájl végén az utolsó lezáró résznél kell kezdeni, majd visszafelé haladva a lezáró részeken és az azokat megelőző kereszthivatkozás-táblázat részeken fell kell építeni a végleges kereszthivatkozás táblázatot. Ha egy objektumazonosító több kereszthivatkozás-táblázat részben is előfordul, akkor az utolsó előfordulás által megadott hivatkozásnak kell a végleges kereszthivatkozás táblázatba bekerülni.

Az 1.5 verziótól kezdve a PDF objektumokat tömörített formában, objektumstreamekben is lehet tárolni a PDF fájlban, illetve a kereszthivatkozási táblázatot és a lezáró részt pedig tömörített kereszthivatkozás-streamekben lehet megadni. Ilyen esetben a fent megadott fizikai felépítése a PDF fájlnak a következőképpen módosul: a fejléc és a törzs megmarad, de a törzs már tömörített objektumstreameket és kereszthivatkozás-streameket is tartalmaz PDF objektumként, a kereszthivatkozási táblázat-részek és a lezáró részek helyett pedig csak utolsó lezáró utolsó 3 sora marad meg, amelyek a startxref kulcsszót, egy offsetértéket és a %%EOF kommentet tartalmazzák. Az offsetérték jelentése ebben az esetben nem az utolsó kereszhivatkozás-rész kezdete lesz, hanem az utolsó kereszhivatkozás-stream offsetje.

[szerkesztés] A fejléc

A PDF fájl fejléce egyetlen sorból, a fájl első sorában áll, ami egy speciális kommentet tartalmaz. Ez a komment tartalmazza a PDF fájl verziószámát ASCII formátumban. A verziószámot megadó komment után szokás még egy kommentet írni ugyanebbe a sorba. Ez a második komment az ASCII kódkészleten kívül eső karaktereket tartalmaz azért, hogy fájlátvitel során a fájlátvitelt végző programok felismerjék, hogy bináris fájlformátumról van szó és ne alkalmazzanak rá semmilyen konverziót, ami a bináris PDF fájlt tönkretenné.

[szerkesztés] A törzs

A PDF fájl törzse az PDF objektumok felsorolásából áll. Minden itt felsorolt PDF objektum előtt szerepel egy objektumazonosító szám és egy generációs szám. Ez a két szám egyértelműen azonosítja az objektumot a PDF fájlon belül, így a fájl más pontjain hivatkozhatunk az adott objektumra.

[szerkesztés] A kereszthivatkozási táblázat

A kereszthivatkozási táblázat tartalmazza, hogy a törzsben felsorolt PDF objektumok a fájlban milyen offsetcímen találhatóak, azaz mi az indexe annak a byte-nek a PDF fájlban, ahol az adott PDF objektum kezdődik. A kereszthivatkozási-táblázat részek az xref kulcsszóval és az őket követő lezáró rész trailer kulcsszójáig tartanak. Az xref kulcsszó után következő táblázatrész több szekcióból épül fel. Ezeknek a szekciónak az első sora mindig két darab, egymástól szóközzel elválasztott egész számot tartalmaz, amelyeknek a jelentése a következő: az első szám határozza meg a szekcióban szereplő első bejegyzés objektumazonosítóját, a második szám pedig a szekcióban található bejegyzések számát, amelyekhez mindig az egyel nagyobb sorszámú objektumazonosító tartozik. Maguk a bejegyzések pontosan 20 byte-os sorok, amelyeknek két fajtája van: a szabad objektumazonosítókat megadó bejegyzések és a foglalt (használatban lévő) objektumazonosítókat megadó bejegyzések.

[szerkesztés] A lezáró rész

A PDF-et lezáró rész a trailer kulcsszóval kezdődik, majd ezt egy speciális név-érték lista követi, ahol többek között a következő információk vannak megadva:

a törzs részben (illetve incrementális update esetén: az összes törzs részben) szereplő PDF objektumok száma
ha több lezáró rész is található a fájlban, akkor az előző lezáró rész előtti kereszhivatkozási táblázat offsetcíme
a PDF dokumentum logikai felépítését megadó PDF objektumok közül a logikai felépítés kiindulópontjául szolgáló gyökérelem offsetcíme a dokumentumon belül.
a PDF fájl fájlazonosítója

A név-érték lista után a startxref kulcsszó, majd az utolsó kereszhivatkozási táblazatrész offsetcíme következhet, végül pedig az %%EOF speciális komment zárja a PDF fájlt.

[szerkesztés] A PDF objektumtípusai

A PDF fájlok törzsrésze PDF objektumokat tartalmaz. A PDF specifikáció a következő objektumtípusokat támogatja:

Boolean objektumtípus
Numerikus objektumtípus
String objektumtípus
Név objektumtípus
Tömb objektumtípus
Szótár (dictionary) objektumtípus
Stream objektumtípus
Null objektumtípus
Indirekt objektumtípus

[szerkesztés] Boolean objektumtípus

A Boolean objektumok a true és false kulcsszavakat tartalmazhatják tokenként.

[szerkesztés] Numerikus objektumtípus

A numerikus objektumoknak két fajtáját támogatja a PDF specifikáció: az egész értékű és valós számokat. Az egész értékű számok decimális számjegyeket tartalmazhatnak, amik előtt opcionálisan egy mínusz jel állhat. A valós számok tartalmazhatnak egy tizedes pontot is (a decimális számjegyek előtt, két decimális számjegy között vagy a számjegyek után).

[szerkesztés] String objektumtípus

A string objektumoknek szintén két fajtáját különbözteti meg a PDF specifikáció: a hagyományos stringeket, amelyeket a ( és ) zárójelek határolnak, illetve a hexadecimális formában megadott stringeket, amelyeket a < és > zárójelek határolnak. A hagyományos stringek tetszőleges bytesorozatot tartalmazhatnak, de a ( és ) zárójeleket \( és \) karakterekkel kell helyettesíteni (escape-elni). (Ha a zárójelek egymásba ágyazva fordulnak elő a stringben, pl. ((( ))) sorrendben, akkor nincs szükség a behelyettesítésre.) A ( és ) zárójelek mellett még lehetőség van a szokásos vezérlő karakterek (újsor, stb.) helyettesítésére \n, \b, \t, \f és \r karakterekkel. A hexadecimális formában megadott stringek esetén a < és > zárójelek között hexadecimális számjegyeknek kell szerepelniük. Az a-f hexadecimális számjegyek használhatóak kisbetűvel és nagybetűvel írva is. Két hexadecimális karakter határoz meg egy byte-ot (azaz egy PDF specifikáció szerinti karaktert). Ha páratlan számú hexadecimális számjegy szerepel a zárójelek között, akkor feltételezzük, hogy az utolsó hexadecimális számpár második számjegye a nulla.

[szerkesztés] Név objektumtípus

A név objektumok első karaktere a / karakter, de ez még nem képezi a megadott név részét, csak az ezután szereplő token.

[szerkesztés] Tömb objektumtípus

A tömb objektumokat a [ és ] zárójelek határolják. Ezek között tetszőleges PDF objektumok szerepelhetnek, azaz egy adott tömb több különböző típusú PDF objektumot is tartalmazhat, beleértve azt is, hogy a tömb eleme lehet egy újabb tömb is.

[szerkesztés] Szótár (dictionary) objektumtípus

A szótár objektumokat a { és } zárójelek határolják. Ezek között egy név-érték lista szerepel, ahol a név mindig egy név típusú PDF objektum, az érték pedig tetszőleges PDF objektum lehet, beleértve a szótár típusú PDF objektumokat is.

[szerkesztés] Stream objektumtípus

A stream objektumok egy szótár objektummal kezdődnek, amit egy, a stream, illetve endstream kulcsszavak által határolt bytesorozat követ. (A bytesorozat lehet 0 hosszúságú is.) A stream objektum elején szereplő szótár kötelezően tartalmaz egy Length nevet - az ehhez tartozó érték határozza meg, hogy hány byte hosszúságú a stream és endstream között bytesorozat. Amennyiben a bytesorozot valamilyen tömörített formában tartalmazza az adatokat (ahogy ez a gyakorlatban a legtöbb esetben történik), akkor a stream elején megadott szótár tartalmazza az Filter vagy FFilter neveket is, amelyek az alkalmazott tömörítési eljárást (esetleg eljárásokat) adják meg. Opcionálisan szerepelhet még a DL név is a szótárban - az ehhez tartozó érték a bytesorozat kitömörítés utáni becsült hosszát adhatja meg.

[szerkesztés] Null objektumtípus

A null objektumot a null kulcsszó jelöli. Ezenfelül, ha egy objektumhivatkozás nemlétező indirekt objektumra mutat, akkor azt úgy tekintjük, hogy az objektumhivatkozás a null objektumra mutat.

[szerkesztés] Indirekt objektumtípus

A PDF fájl bármely objektumából lehet indirekt objektumot képezni azáltal, hogy egy objektumazonosítót írunk elé, az objektumazonosító után objektumot magát pedig az obj és endobj kulcsszavak közé írjuk. (Az objektumazonosító két részből áll: az objektumszámból és a generációs számból.) Az objektumazonosító egyedi azonosító a PDF fájlon belül, ezáltal így megcímkézett objektumokra a PDF fájl más helyeiről hivatkozhatunk.

[szerkesztés] A PDF fájl logikai felépítése

A PDF fájl törzs részében felsorolt objektumok logikailag egy objektumhierarchiát alkotnak. Ennek a hierarchiának a gyökere minden esetben a Catalog objektum, ami egy szótár típusú objektum. A Catalog objektum offsetcímét a PDF fájlban a lezáró rész Root értéke által megadott indirekt hivatkozás segítségével lehet meghatározni. Az indirekt hivatozás az adott objektum objektumazonosítóját és generációazonosítóját tartalmazza és ezek segítségével lehet a kereszthivatkozási táblázatból kikeresni az offsetcímet. A PDF dokumentum oldalait ennek a Catalog által megadott objektumhierarchia page tree részében találjuk, ami egy fastruktúrában Pages és Page típusú node-okat tartalmaz. A Page node-ok alkotják a fa leveleit, és ezek felelnek meg a PDF dokumentum oldalainak.

[szerkesztés] Alkalmazások

Szabadon felhasználható PDF-nézegetők rengeteg platformra elérhetőek az Adobe honlapjáról, ezenkívül több nyílt forrású nézegető is létezik.

Xpdf a POSIX-szerű rendszerekre X Window System alá;
GPdf, az Xpdf változata GNOME alá;
evince: ez tud dvi és PostScript fájlokat is nézni;
GSPdf és ViewPDF (GNUstep);
és Ghostscript front-endek sok platformra.

A legtöbb Windows alapú szövegszerkesztő és dokumentumkezelő alkalmazás csak olvasni tudja a PDF formátumot, azonban egy karakterfelismerő programmal (OCR) lehetőség van más típusú fájlok PDF formátumban történő elmentésére, konvertálására.

A magyar OpenOffice.org irodai szoftvercsomag közvetlenül generál pdf-et ékezethelyesen, de a Mac OS X operációs rendszernek is integráns része a PDF-kezelés, így bármely OS X-en futó alkalmazásból lehet PDF-et nyomtatni.