Artículo técnico

PDF/UA-1 vs PDF/UA-2: reglas de accesibilidad que cambiaron

Un checklist PDF/UA-1 interno rechaza una exportación PDF/UA-2 que veraPDF da por buena, marcando una figura etiquetada con /ActualText (), anotaciones de enlace sin /Contents y un árbol de estructura que mezcla espacios de nombres. Cada una de ellas conforma al ISO 14289-2:2024, así que el juego de reglas tiene que seguir la parte que cada archivo declara, que es lo primero que TPdf.ValidatePdfUa de PDFium Component lee

pdfuaid:part declarado conmutando el juego de reglas PDF/UA en PDFium Component para Delphi, donde un valor de issue significa reglas distintas bajo PDF/UA-1 y PDF/UA-2
la parte declarada en XMP elige el juego de reglas, y el mismo valor de issue puede nombrar dos reglas distintas entre PDF/UA-1 y PDF/UA-2

La parte declarada decide qué reglas aplican

Todo archivo PDF/UA nombra su parte en los metadatos XMP con pdfuaid:part, y PDF/UA-2 añade dos condiciones propias: una entrada de revisión y un archivo que declare PDF 2.0. Esa declaración es el interruptor. TPdf.ValidatePdfUa devuelve un TPdfUaValidationResult cuyo campo Conformance informa puc1 o puc2, pucNone para un archivo confirmado que no reclama PDF/UA, o pucUnknown cuando la reclamación no se puede determinar, y cuyo conjunto Issues guarda solo los hallazgos que aplican a esa parte. Algunos valores de issue representan una regla en la parte 1 y otra más amplia en la parte 2. pvuaiActionTargetMissing en un archivo de parte 1 significa que una acción GoToR, URI o SubmitForm carece de su clave de destino (§7.18.5); en un archivo de parte 2 también puede significar un destino que no conduce a un elemento de estructura (§8.8). pvuaiAnnotationMissingContents en un archivo de parte 2 incluye widgets que no tienen etiqueta. Así que imprime la parte junto a cada informe:

uses
  SysUtils, TypInfo, PDFium, FPdfPdfua;

procedure ReportPdfUa(const FileName: string);
const
  PartNames: array[TPdfUaConformance] of string =
    ('unknown', 'not PDF/UA', 'PDF/UA-1', 'PDF/UA-2');
var
  Pdf: TPdf;
  Report: TPdfUaValidationResult;
  Issue: TPdfUaValidationIssue;
begin
  Pdf := TPdf.Create(nil);
  try
    Pdf.FileName := FileName;
    Pdf.Active := True;
    if not Pdf.Active then
      raise Exception.CreateFmt('Cannot open %s', [FileName]);

    Report := Pdf.ValidatePdfUa;
    Writeln(Format('%s: %s, compliant=%s', [ExtractFileName(FileName),
      PartNames[Report.Conformance], BoolToStr(Report.IsCompliant, True)]));
    for Issue := Low(TPdfUaValidationIssue) to High(TPdfUaValidationIssue) do
      if Issue in Report.Issues then
        Writeln('  ', GetEnumName(TypeInfo(TPdfUaValidationIssue), Ord(Issue)));
  finally
    Pdf.Free;
  end;
end;

IsCompliant es true solo cuando la parte es 1 o 2 y el conjunto de issues está vacío, así que un archivo sin reclamación PDF/UA jamás se informa como conforme por accidente. Comparar contra veraPDF tiene una trampa propia. La herramienta de línea de comandos sale con código 1 para un archivo no conforme. Aun así escribe el informe XML completo en la salida estándar, y un script que se detiene en el código de salida tira los números de regla. Lee el informe

¿Qué quejas de UA-1 son falsas alarmas bajo PDF/UA-2?

Cada queja del ejemplo inicial aplica una regla que PDF/UA-2 no contiene en esa forma. Empieza por la figura, donde el error suele sentarse en el código de parseo. El ISO 14289-2 §8.2.5.28.2 pide a una Figure llevar una clave /Alt o /ActualText, y el test es si la clave existe: /ActualText () conforma, y solo una figura sin ninguna de las dos claves falla. Un lector que guarda ambos valores en cadenas planas colapsa «presente pero vacío» y «ausente» en el mismo '', y el comprobador informa entonces texto alternativo ausente en una figura que lo tiene. Guarda un flag de presencia junto a cada cadena cuando parsees el elemento de estructura. Un /ActualText vacío es una descripción débil que un revisor humano quizá aún quiera ver, pero un validador de parte 2 no tiene bases para fallarlo

La regla del enlace se fue. El PDF/UA-1 §7.18.5 exige que toda anotación de enlace lleve /Contents; PDF/UA-2 no pone ninguna regla de clave de anotación en su lugar y restringe la estructura en el §8.2.5.20. Las anotaciones que conducen a destinos distintos deben sentarse en elementos de estructura Link o Reference separados, así que un único elemento Link que envuelva tanto un salto al capítulo 2 como un URI a un sitio externo falla la parte 2 incluso cuando ambas anotaciones llevan /Contents. Las dos partes prueban cosas distintas —el texto de la anotación en una, la agrupación del árbol en la otra. PDFium Component aplica el requisito de /Contents de enlaces solo a archivos que declaran la parte 1

La queja de espacios de nombres viene de leer el documento equivocado. El ISO 14289-2 §8.2.4 sostiene cuatro reglas: un tipo de estructura no estándar debe mapear a un tipo estándar, ningún mapeo puede ser circular, ningún tipo puede mapear dentro del mismo espacio de nombres explícito, y ningún tipo estándar puede remapearse a uno no estándar. El ISO/TS 32005 §5.3 añade una recomendación para documentos que mezclan espacios de nombres —usa el espacio de nombres PDF 2.0 para los tipos que comparten— y esa recomendación no está entre las condiciones de conformidad de PDF/UA-2. Un checklist que falla en seco por el §5.3 rechaza árboles mixtos válidos, como un árbol PDF 2.0 que lleva fórmulas MathML. Resolver un tipo personalizado vía /RoleMapNS hacia uno estándar es trabajo propio, mostrado en la validación PDF/UA-2 con role maps y espacios de nombres

Tres quejas de checklist PDF/UA-1 que pasan bajo el ISO 14289-2: ActualText vacío en figuras, anotaciones de enlace y mezcla de espacios de nombres, tal como PDFium Component las filtra en Delphi
cada queja aplica una regla que PDF/UA-2 no contiene en esa forma, así que la comprobación pertenece detrás de la parte declarada y no en un checklist compartido

Reglas que PDF/UA-2 añadió o endureció

La dirección contraria es la cara. Un checklist UA-1 da por buenos los archivos de abajo, y los fallos solo aparecen cuando alguien corre un validador de parte 2:

  • Los widgets necesitan etiqueta o descripción. El PDF/UA-1 §7.18.1 exime a las anotaciones widget de /Contents porque el tag Form del §7.18.4 las cubre. El PDF/UA-2 §8.10.2.3 exige /Contents en todo widget cuyo elemento de estructura no tenga hijo Lbl. El tooltip /TU del campo no cuenta como etiqueta
  • Los adjuntos declaran su relación. El §8.9.2.4.10 exige que la especificación de archivo de una anotación FileAttachment lleve /AFRelationship — Source, Data, Alternative, Supplement y los demás valores que PDF/A-3 ya usa para archivos asociados y AFRelationship
  • Los encabezados van numerados. El PDF/UA-1 acepta el tag genérico H o encabezados numerados H1…Hn, siempre que un documento no los mezcle (§7.4.4). El PDF/UA-2 §8.2.5.12 prohíbe el H genérico sin más, así que un esquema de etiquetado construido sobre elementos H planos necesita remapearse antes de que la exportación pueda reclamar la parte 2
  • Los destinos conducen a estructura. El §8.8 exige que los objetivos de navegación sean destinos de estructura en el sentido del ISO 32000-2 §12.3.2.3: un array de destino cuyo primer elemento es un elemento de estructura, o una acción GoTo con /SD

Deja las reglas viejas en paz. Cuando un checklist crece en cobertura de parte 2, la edición obvia es borrar la exención de widgets del §7.18.1 para que los widgets sin /Contents se marquen, y esa edición hace que formularios conformes de parte 1 fallen una regla que su norma nunca tuvo. Añade la comprobación de widgets de parte 2 junto a la exención y fíltrala por la parte declarada. Así informa PDFium Component la regla de widgets —la exención de parte 1 sigue en vigor, y un widget de parte 2 sin etiqueta ni /Contents aparece como pvuaiAnnotationMissingContents

Matriz que compara PDF/UA-1 y PDF/UA-2 en etiquetas de widget, AFRelationship, encabezados genéricos y destinos de estructura, las cuatro comprobaciones que PDFium Component filtra por parte en Delphi
las adiciones de parte 2 corren junto a las reglas de parte 1 en vez de reemplazarlas, lo que mantiene los formularios PDF/UA-1 conformes pasando en PDFium Component para Delphi

¿Cómo se testa un destino de estructura sin falsos positivos?

Lee la clave que la especificación dice que manda. La Tabla 202 del ISO 32000-2 hace /D requerida en toda acción GoTo y /SD opcional, y dice que el destino de estructura debe prevalecer cuando ambos están presentes. Un enlace de parte 2 conforme lleva por tanto a menudo un destino de página como /D [6 0 R /Fit] para lectores viejos y /SD [19 0 R /Fit] al lado. Una comprobación casera que lee /D encuentra una página, informa un destino que no es destino de estructura, y falla el archivo. Para acciones, mira /SD. Para un array de destino desnudo, sigue su primer elemento y pregunta si el diccionario referenciado es un elemento de estructura, que en términos de bytes significa un diccionario con una clave /S de nivel superior

Nivel superior es la parte difícil. Un diccionario de página lleva rutinariamente /Group << /S /Transparency >> para su grupo de transparencia, y una búsqueda de claves que no salta diccionarios anidados encuentra ese /S interior y decide que la página es un elemento de estructura, así que un destino de página plano pasa. Escanea solo las claves del diccionario exterior y salta cada valor como un objeto completo, diccionarios anidados y arrays incluidos. El ParentTree, que mapea el /StructParent de una anotación de vuelta a su elemento de estructura, pide el mismo cuidado. Su array /Nums puede emparejar una clave con una sola referencia (0 26 0 R) o con un array (0 [null 20 0 R]), y en la forma array la posición dentro del array se suma a la clave para llegar al valor /StructParent. Un parser que solo conoce la primera forma deja las anotaciones de la segunda sin padre de estructura, y la regla de agrupación del §8.2.5.20 no tiene entonces nada que comparar. Corre estas comprobaciones sobre los bytes tal como se cargaron, también: una copia re-guardada o normalizada puede renumerar objetos de anotación y reconstruir el árbol de números, el mismo árbol que reescribes siempre que mantienes /ParentTree y /StructParents sincronizados tras editar páginas

¿Qué tags de idioma pasan la comprobación /Lang?

La gramática no cambió entre las partes (ISO 14289-1 §7.2, ISO 14289-2 §8.4.4); los checklists laxos la pierden igual. veraPDF la expresa como ^[a-zA-Z]{1,8}(-[a-zA-Z0-9]{1,8})*$: un primer subtag de una a ocho letras, y después cualquier número de subtags de una a ocho letras o dígitos, cada uno introducido por un guion. Los límites son afilados. portugue-pt pasa y portugues-pt falla por su primer subtag de nueve letras; nl-1234abcd pasa y nl-1234abcde falla; 1-pt y -pt fallan en el primer carácter. Una comprobación que solo testa letras, dígitos y guiones acepta los cuatro fallos. El /Lang del catálogo y el /Lang de cada elemento de estructura necesitan un test compartido, o el mismo tag se gana dos veredictos en un archivo. Un tag almacenado como cadena UTF-16BE, como <FEFF0045004E002D00550053>, se decodifica primero; ese se lee EN-US y pasa. Los tags malos suelen venir de sitios mundanos: las cadenas de locale de Java, ICU o de configuraciones de base de datos usan guiones bajos, y pt_BR no es un tag válido. IsPdfUaLanguageTagValid aplica el mismo test de forma, así que puedes reparar un tag antes de escribirlo:

uses
  SysUtils, PDFium;

// Convierte un locale de plataforma como pt_BR en un tag que PDF/UA acepta,
// o devuelve '' cuando una sustitución simple no puede repararlo
function LocaleToPdfLang(const Locale: string): string;
begin
  Result := StringReplace(Trim(Locale), '_', '-', [rfReplaceAll]);
  if not IsPdfUaLanguageTagValid(Result) then
    Result := '';
end;

procedure CheckTags;
const
  Samples: array[0..6] of string = ('en-US', 'pt_BR', 'zh_CN',
    'portugue-pt', 'portugues-pt', 'nl-1234abcd', 'nl-1234abcde');
var
  S: string;
begin
  // Esperado:
  //   en-US, portugue-pt, nl-1234abcd   válidos tal cual
  //   pt_BR, zh_CN                      inválidos, reparados a pt-BR / zh-CN
  //   portugues-pt, nl-1234abcde        inválidos, reparados a ''
  for S in Samples do
    Writeln(Format('%-14s valid=%-5s repaired=%s', [S,
      BoolToStr(IsPdfUaLanguageTagValid(S), True), LocaleToPdfLang(S)]));
end;

Llama a la conversión donde el tag entra en tu pipeline, antes de que llegue al catálogo o a cualquier elemento de estructura. Un resultado vacío es la señal de replegarse a un idioma que se sabe que el documento usa. Escribir la cadena de locale cruda de todos modos solo mueve el fallo aguas abajo, donde emerge como pvuaiLangInvalidFormat para el catálogo o pvuaiStructElementLangInvalid para un elemento, lejos del código que lo produjo

Empieza la migración con la exportación del párrafo inicial. Pásala por ReportPdfUa del primer listado usando el PDFium Component para Delphi: la línea de cabecera debería nombrar PDF/UA-2, y ni pvuaiFigureMissingAlt, ni pvuaiLinkMissingContents ni pvuaiNamespaceReuseInvalid deberían aparecer debajo. Cualquier queja que tu checklist viejo todavía levante sobre ese archivo marca una regla de parte 1 que poner detrás de la parte declarada