Un número de factura de ERP agregado al XMP de un archivo PDF/A-2b levanta un hallazgo de propiedad no declarada, pero el mismo packet en un archivo PDF/A-4 conforme. Las partes 1 a 3 exigen una descripción pdfaExtension:schemas para cada propiedad custom y la parte 4 no, así que el validador PDF/A de PDFium Component para Delphi lee pdfaid:part antes de elegir un set de reglas
¿Qué le exigen las partes PDF/A 1 a 3 a una propiedad custom?
Una descripción de su namespace, más una línea dentro de esa descripción que nombre la propiedad. ISO 19005-1 §6.7.2 permite propiedades XMP solo de los schemas predefinidos o de schemas de extensión que cumplan §6.7.8, que quiere cada descripción en el mismo metadata stream; ISO 19005-2 §6.6.2.3.1 arrastra la regla a las partes 2 y 3. Una descripción no es un permiso general. Nombra propiedades una por una por medio de pdfaProperty:name, así que un packet que describe inv:InvoiceNumber y además escribe inv:DueDate falla en la segunda. PDFium Component reporta estos casos bajo cuatro valores TPdfAValidationIssue, un hallazgo por falla: un prefijo renombrado, por ejemplo, produce solo el hallazgo de prefijo
| Valor de issue | Se reporta cuando | Cláusula |
|---|---|---|
pvaiMissingExtensionSchema | Hay un namespace no predefinido en uso y el packet no tiene contenedor pdfaExtension:schemas | 19005-1 §6.7.8, 19005-2 §6.6.2.3.1 |
pvaiXmpPropertyUndeclared | El contenedor existe pero ninguna descripción dentro nombra la propiedad | 19005-1 §6.7.2, 19005-2 §6.6.2.3.1 |
pvaiExtensionSchemaPrefix | Un namespace de descripción está atado a un prefijo distinto del requerido | 19005-1 §6.7.8, 19005-2 §6.6.2.3.2 |
pvaiExtensionSchemaEntryMissing | Una descripción omite un campo que su tabla lista | 19005-1 §6.7.8, 19005-2 §6.6.2.3.3 |
Cuál de los dos primeros reciba depende del productor. Muchos writers PDF/A ya describen el schema de identificación pdfaid en un contenedor, incluido SaveAsPdfA de PDFium Component, así que un campo agregado después aterriza junto a un contenedor que no tiene entrada para él. La rutina de abajo imprime solo los hallazgos de extension-schema. Esperado: un archivo PDF/A-2b escrito por SaveAsPdfA imprime pac2b y pvaiXmpPropertyUndeclared, un packet de parte 1 o 2 sin contenedor imprime pvaiMissingExtensionSchema, y un archivo PDF/A-4 imprime solo su línea de conformidad
uses
System.SysUtils, System.Classes, System.TypInfo,
PDFium, FPdfPdfa, FPdfXmp;
const
InvoiceNs = 'http://ns.example.com/invoice/1.0/';
ExtensionIssues: TPdfAValidationIssues = [pvaiMissingExtensionSchema,
pvaiXmpPropertyUndeclared, pvaiExtensionSchemaPrefix,
pvaiExtensionSchemaEntryMissing];
procedure PrintExtensionIssues(Source: TStream);
var
Res: TPdfAValidationResult;
Issue: TPdfAValidationIssue;
begin
Res := ValidatePdfAComplianceEx(Source, TPdfAValidationOptions.Default);
Writeln(GetEnumName(TypeInfo(TPdfAConformance), Ord(Res.Conformance)));
for Issue in Res.Issues * ExtensionIssues do
Writeln(' ', GetEnumName(TypeInfo(TPdfAValidationIssue), Ord(Issue)));
end;
procedure ProbeCustomProperty(const FileName: string);
var
Pdf: TPdf;
Packet: TPdfXmpPacket;
Output: TMemoryStream;
begin
Output := TMemoryStream.Create;
try
Pdf := TPdf.Create(nil);
try
Pdf.FileName := FileName;
Pdf.Active := True;
Packet := Pdf.ReadXmpPacket;
if Packet = nil then
raise Exception.CreateFmt('%s has no XMP packet', [FileName]);
try
Packet.SetSimpleValue(InvoiceNs, 'inv', 'InvoiceNumber', 'INV-2026-0412');
if not Pdf.SaveAsWithXmpPacket(Output, Packet) then
raise Exception.Create('Saving the edited packet failed');
finally
Packet.Free;
end;
finally
Pdf.Free;
end;
Output.Position := 0;
PrintExtensionIssues(Output);
finally
Output.Free;
end;
end;
El set predefinido se movió entre XMP 2004 e ISO 16684-1
La parte 1 y la parte 2 discrepan sobre qué significa predefinido. ISO 19005-1 §6.7.2 apunta a la XMP Specification de enero de 2004, e ISO 19005-2 §6.6.2.3.1 a ISO 16684-1, cuya lista es más larga. La brecha se ve en archivos de todos los días por medio de crs (ajustes de Camera Raw), aux (datos EXIF adicionales) y xmpDM (medios dinámicos), que el TechNote 0008 del PDF/A Competence Center aclara en nota como nuevos en la especificación XMP 2005. Una propiedad crs:AutoBrightness o xmpDM:videoColorSpace necesita descripción bajo la parte 1 y es predefinida desde la parte 2 en adelante. El corpus público de veraPDF tiene archivos de fallo PDF/A-1b que agregan una de esas propiedades y nada más, mientras que el generador de archivos de prueba del propio veraPDF escribe una pista de camera-raw o de medios dinámicos dentro de sus archivos PDF/A-2b, así que un checker ciego al número de parte se equivoca por un lado. Las declaraciones también se movieron: photoshop:SupplementalCategories es Text en 2004 y un bag de Text en ISO 16684-1, así que la forma bag falla PDF/A-1 y es correcta en PDF/A-2
El atajo contrario también falla. Llamar extensión a todo lo que está fuera de las diez tablas de schemas del TechNote 0008 marcaría las estructuras sType y el namespace de qualifier Identifier que las entradas ordinarias de xmpMM:History usan, y el TechNote 0008 permite esos URIs en PDF/A-1. PDFium Component lee la parte desde pdfaid:part: un packet de parte 1 sin bloque de descripción que use crs, aux o xmpDM recibe pvaiMissingExtensionSchema, y un packet de parte 2 no recibe hallazgo de extension-schema. Para salida PDF/A-1, quite las propiedades de camera-raw y de medios dinámicos que nadie downstream lee. Una descripción completa de crs llega a docenas de entradas, cada una una oportunidad para un hallazgo de entrada faltante
Prefijos requeridos y el # final en los URIs de schema
Los namespaces XML normalmente dejan al writer elegir cualquier prefijo. §6.7.8 quita esa libertad para el vocabulario de descripción, dándole a cada estructura un URI y un prefijo requerido: pdfaSchema, pdfaProperty, pdfaType para un value type y pdfaField para un campo de uno; ISO 19005-2 §6.6.2.3.2 reafirma los cuatro. Atar http://www.aiim.org/pdfa/ns/property# a nonpdfaProperty es XML equivalente y aun así falla, y los archivos del corpus de veraPDF para esta cláusula conservan cada URI correcto y renombran un prefijo. Su propio schema es otra historia: pdfaSchema:prefix registra un prefijo preferido, así que inv es una recomendación. De todos modos, manténgalo igual al prefijo que el packet ata
Los URIs tienen una manía. La prosa de ISO 19005-1 §6.7.8 imprime http://www.aiim.org/pdfa/ns/schema sin # final, mientras que sus tablas y los archivos conformes terminan el URI con uno, así que una comparación estricta contra la prosa no empareja nada. PDFium Component quita un # final en ambos lados antes de comparar. Escriba la forma con #, y copie su propio namespace dentro de pdfaSchema:namespaceURI carácter por carácter. La frase final de ISO 19005-2 §6.6.2.3.2 quiere además cada campo que las tablas de §6.6.2.3.3 listan, y una laguna se reporta como pvaiExtensionSchemaEntryMissing:
- Schema (
pdfaSchema):schema,namespaceURIyprefix, más las listaspropertyyvalueType, que un schema sin nada que declarar puede omitir - Property (
pdfaProperty):name,valueType,categoryydescription, dondecategoryesinternaloexternal - Value type (
pdfaType):type,namespaceURI,prefix,descriptionyfield, requeridos porque un value type custom es una estructura - Field (
pdfaField):name,valueTypeydescription
¿Cómo se escribe una entrada estructurada en RDF/XML?
De tres maneras, cualquiera, mientras el elemento siga siendo una estructura. ISO 32000-2 §14.3.2 le entrega la gramática del metadata stream a ISO 16684-1, que escribe XMP como subconjunto de RDF/XML. La forma corta pone rdf:parseType="Resource" en el rdf:li y lista los campos debajo; la forma larga los envuelve en un rdf:Description anidado, y ambas significan la misma estructura anónima. Una tercera grafía mueve los campos de texto plano a atributos de ese rdf:Description. Ahí solo cabe texto: pdfaSchema:property carga una secuencia y se queda como elemento. Quite el rdf:parseType de un elemento de forma corta y el resultado no es RDF/XML. Un parser entonces espera texto o un elemento nodo dentro del rdf:li, toma pdfaSchema:schema por un nodo tipado, y un elemento nodo no puede cargar texto que no sea espacio en blanco, así que el primer campo ya rompe la gramática. Un XSLT que reconstruye elementos de lista, o una plantilla que regenera el bloque desde un diccionario, puede soltar el atributo conservando cada elemento. Lea esa salida con un parser RDF distinto del que la escribió para ver el daño
<!-- Forma corta: el schema de factura descrito completo -->
<rdf:li rdf:parseType="Resource">
<pdfaSchema:schema>Invoice data from the ERP</pdfaSchema:schema>
<pdfaSchema:namespaceURI>http://ns.example.com/invoice/1.0/</pdfaSchema:namespaceURI>
<pdfaSchema:prefix>inv</pdfaSchema:prefix>
<pdfaSchema:property>
<rdf:Seq>
<rdf:li rdf:parseType="Resource">
<pdfaProperty:name>InvoiceNumber</pdfaProperty:name>
<pdfaProperty:valueType>Text</pdfaProperty:valueType>
<pdfaProperty:category>external</pdfaProperty:category>
<pdfaProperty:description>Invoice number assigned by the ERP</pdfaProperty:description>
</rdf:li>
</rdf:Seq>
</pdfaSchema:property>
</rdf:li>
<!-- Forma larga: la misma estructura como nodo anidado -->
<rdf:li>
<rdf:Description>
<pdfaSchema:schema>Invoice data from the ERP</pdfaSchema:schema>
...
</rdf:Description>
</rdf:li>
<!-- Taquigrafía de atributos: campos de texto como atributos, la lista se queda elemento -->
<rdf:li>
<rdf:Description pdfaSchema:schema="Invoice data from the ERP"
pdfaSchema:namespaceURI="http://ns.example.com/invoice/1.0/"
pdfaSchema:prefix="inv">
<pdfaSchema:property>...</pdfaSchema:property>
</rdf:Description>
</rdf:li>
PDFium Component conserva la grafía que llegó. Cada valor del TPdfXmpPacket que TPdf.ReadXmpPacket devuelve registra el rdf:parseType de su elemento fuente, Resource, Literal o Collection, y ToXml lo vuelve a escribir; una estructura sin registro sale con rdf:parseType="Resource". Ese writer sirve a SaveAsWithXmpPacket y a NormalizePdfAMetadata, la llamada que pone en línea las entradas Info y sus equivalentes XMP, y un bloque de extensión en cualquiera de las tres grafías valida igual antes y después de un ciclo de lectura y guardado. Escriba las entradas nuevas en forma corta. Cada campo se queda como elemento, lo que mantiene uniformes las ediciones, y coincide con la entrada pdfaid que escribe SaveAsPdfA
Agregar su descripción al contenedor que ya está ahí
Fusione la entrada nueva dentro del rdf:Bag existente. Un contenedor por packet. El parser XMP de veraPDF rechaza un packet con un segundo elemento pdfaExtension:schemas (Duplicate property or field node 'pdfaExtension:schemas'), y los fallos caen en las reglas generales de metadata. Cada propiedad necesita nombre, value type, categoría y descripción, las entradas que una factura Factur-X llena para declarar sus propiedades fx en un schema de extensión. El listado empota un elemento de forma corta antes de </rdf:Bag>, que ToXml escribe en la propia línea del contenedor. El elemento declara pdfaSchema y pdfaProperty por sí mismo, así que parsea igual donde quiera que aterrice
const
ExtensionNs = 'http://www.aiim.org/pdfa/ns/extension/';
ContainerEnd = '</rdf:Bag></pdfaExtension:schemas>';
TopDescriptionEnd = '</rdf:Description>'#10' </rdf:RDF>';
function InvoiceSchemaItem: string;
begin
Result := '<rdf:li rdf:parseType="Resource"' +
' xmlns:pdfaSchema="http://www.aiim.org/pdfa/ns/schema#"' +
' xmlns:pdfaProperty="http://www.aiim.org/pdfa/ns/property#">' +
'<pdfaSchema:schema>Invoice data from the ERP</pdfaSchema:schema>' +
'<pdfaSchema:namespaceURI>' + InvoiceNs + '</pdfaSchema:namespaceURI>' +
'<pdfaSchema:prefix>inv</pdfaSchema:prefix>' +
'<pdfaSchema:property><rdf:Seq><rdf:li rdf:parseType="Resource">' +
'<pdfaProperty:name>InvoiceNumber</pdfaProperty:name>' +
'<pdfaProperty:valueType>Text</pdfaProperty:valueType>' +
'<pdfaProperty:category>external</pdfaProperty:category>' +
'<pdfaProperty:description>Invoice number assigned by the ERP' +
'</pdfaProperty:description>' +
'</rdf:li></rdf:Seq></pdfaSchema:property></rdf:li>';
end;
// True cuando una entrada de schema describe Uri, con la grafía que use
function DescribesNamespace(const V: TPdfXmpValue; const Uri: string): Boolean;
var
Q: Integer;
begin
for Q := 0 to High(V.Qualifiers) do // campos como atributos en rdf:li
if (V.Qualifiers[Q].Name = 'namespaceURI') and
(string(V.Qualifiers[Q].Value) = Uri) then
Exit(True);
Result := (Pos('>' + Uri + '</', string(V.RawXml)) > 0) or // elementos
(Pos('namespaceURI="' + Uri + '"', string(V.RawXml)) > 0); // atributos
end;
// Devuelve un packet nuevo; quien llama lo libera
function WithInvoiceSchema(Packet: TPdfXmpPacket): TPdfXmpPacket;
var
Xml: string;
Index, J, P: Integer;
HasContainer: Boolean;
begin
HasContainer := Packet.TryGetProperty(ExtensionNs, 'schemas', Index);
if HasContainer then
for J := 0 to High(Packet.Properties[Index].Values) do
if DescribesNamespace(Packet.Properties[Index].Values[J], InvoiceNs) then
Exit(Packet.Clone); // ya descrito
Xml := Packet.ToXml;
P := Pos(ContainerEnd, Xml);
if P > 0 then
Insert(InvoiceSchemaItem, Xml, P) // se une al bag existente
else if HasContainer then
raise EPdfXmpError.Create('Extension container uses an unexpected prefix')
else
begin
P := Pos(TopDescriptionEnd, Xml);
if P = 0 then
raise EPdfXmpError.Create('Unexpected XMP packet layout');
Insert('<pdfaExtension:schemas xmlns:pdfaExtension="' + ExtensionNs +
'"><rdf:Bag>' + InvoiceSchemaItem + ContainerEnd + #10' ', Xml, P);
end;
Result := TPdfXmpPacket.Parse(Xml);
end;
procedure TagInvoice(const SourceFile, TargetFile, InvoiceNo: string);
var
Pdf: TPdf;
Packet, Described: TPdfXmpPacket;
Written: TFileStream;
begin
Pdf := TPdf.Create(nil);
try
Pdf.FileName := SourceFile;
Pdf.Active := True;
Packet := Pdf.ReadXmpPacket;
if Packet = nil then
raise Exception.CreateFmt('%s has no XMP packet', [SourceFile]);
Described := nil;
try
Packet.SetSimpleValue(InvoiceNs, 'inv', 'InvoiceNumber', InvoiceNo);
Described := WithInvoiceSchema(Packet);
if not Pdf.SaveAsWithXmpPacket(TargetFile, Described) then
raise Exception.CreateFmt('Could not write %s', [TargetFile]);
finally
Described.Free;
Packet.Free;
end;
finally
Pdf.Free;
end;
Written := TFileStream.Create(TargetFile, fmOpenRead or fmShareDenyWrite);
try
PrintExtensionIssues(Written); // del primer listado
finally
Written.Free;
end;
end;
Esperado: para una fuente PDF/A-1, -2 o -3 escrita por SaveAsPdfA, TagInvoice imprime la línea de conformidad y ninguno de los cuatro valores de extension-schema, con la entrada de la factura en forma corta junto a la de pdfaid. Una segunda corrida deja el bag quieto sin importar la grafía que use la entrada existente: DescribesNamespace busca en RawXml y, para atributos en un rdf:li vacío, en los qualifiers. Un contenedor bajo otro prefijo levanta una excepción, porque uno fresco sería el duplicado que veraPDF rechaza. Cuando el ERP agregue una fecha de vencimiento, extienda la secuencia pdfaSchema:property existente
¿PDF/A-4 revisa en absoluto los schemas de extensión?
No. ISO 19005-4 §6.7.2.1 conserva solo reglas a nivel de packet: la clave Metadata del catálogo, los atributos de encabezado bytes y encoding deprecados, XML bien formado y UTF-8. Una propiedad sin describir, una descripción bajo nonpdfaSchema y una a la que le falta pdfaSchema:schema dejan todas el archivo conforme bajo el perfil PDF/A-4 de veraPDF, y PDFium Component corre sus cuatro revisiones de extension-schema solo cuando pdfaid:part es 1, 2 o 3. El schema de identificación conserva sus reglas en todas partes. Bajo §6.7.3 de la parte 4 su namespace todavía debe estar atado a pdfaid, y su set de propiedades crece por parte: part, conformance y, desde la Amendment 1 de 2007, amd en la parte 1, corr desde ISO 19005-2 §6.6.4 en adelante, rev en la parte 4. Un prefijo equivocado se reporta como pvaiXmpIdPrefixWrong y un nombre extra como pvaiXmpIdPropertyUnknown en todas las partes
Para comparar partes sobre un mismo documento, cambie el packet y nada más: inserte el binding del namespace dentro del XMP y borre tantos bytes de espacio en blanco entre tags como haga falta, para que /Length, los offsets de cross-reference y el encabezado %PDF-2.0 se queden quietos. Una reescritura con pypdf puede devolver un archivo PDF/A-4 con encabezado %PDF-1.3, cuyos fallos entierran el resultado de metadata. Para salida de producción, escriba la descripción también en los packets PDF/A-4: cuesta unos cuantos cientos de bytes, el validador de PDFium Component la deja tranquila bajo la parte 4, y el packet puede después mudarse a un entregable PDF/A-3 sin cambios