Technisch artikel

PDF/UA-1 vs PDF/UA-2: gewijzigde toegankelijkheidsregels

Een interne PDF/UA-1-checklist weigert een PDF/UA-2-export die veraPDF doorlaat, en vlagt een figure getagd met /ActualText (), linkannotaties zonder /Contents en een structuurboom die namespaces mixt. Elk ervan is conform ISO 14289-2:2024, dus de regelset moet het deel volgen dat elk bestand claimt, en dat is het eerste wat TPdf.ValidatePdfUa in PDFium Component leest

Het opgegeven pdfuaid:part schakelt de PDF/UA-regelset om in PDFium Component voor Delphi, waar één issue-waarde onder PDF/UA-1 en PDF/UA-2 voor verschillende regels staat
het in XMP opgegeven deel kiest de regelset, en dezelfde issue-waarde kan in PDF/UA-1 en PDF/UA-2 twee verschillende regels benoemen

Het opgegeven deel bepaalt welke regels gelden

Elk PDF/UA-bestand noemt zijn deel in de XMP-metadata met pdfuaid:part, en PDF/UA-2 voegt daar twee eigen voorwaarden aan toe: een revision-entry en een bestand dat PDF 2.0 claimt. Die declaratie is de schakelaar. TPdf.ValidatePdfUa geeft een TPdfUaValidationResult terug waarvan het veld Conformance puc1 of puc2 meldt, pucNone voor een bestand waarvan vaststaat dat het geen PDF/UA claimt, of pucUnknown als de claim niet vast te stellen is, en waarvan de Issues-set alleen de findings bevat die voor dat deel gelden. Sommige issue-waarden staan voor één regel in deel 1 en een ruimere in deel 2. pvuaiActionTargetMissing bij een deel-1-bestand betekent dat een GoToR-, URI- of SubmitForm-actie zijn targetsleutel mist (§7.18.5); bij een deel-2-bestand kan het ook een bestemming betekenen die niet naar een structuurelement leidt (§8.8). pvuaiAnnotationMissingContents omvat bij een deel-2-bestand ook widgets zonder label. Druk het deel dus naast elk rapport af:

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 is alleen true als het deel 1 of 2 is en de issueset leeg is, dus een bestand zonder PDF/UA-claim meldt zich nooit per ongeluk als compliant. Vergelijken met veraPDF heeft een eigen adder onder het gras. De commandline-tool eindigt met code 1 voor een niet-conform bestand. Hij schrijft het complete XML-rapport nog steeds naar standard output, en een script dat bij de exitcode stopt, gooit de regelnummers weg. Lees het rapport

Welke UA-1-klachten zijn valse alarmen onder PDF/UA-2?

Elke klacht in het openingsvoorbeeld past een regel toe die PDF/UA-2 in die vorm niet bevat. Begin bij de figure, waar de fout meestal in de parseercode zit. ISO 14289-2 §8.2.5.28.2 vraagt een Figure om een /Alt- of /ActualText-sleutel te dragen, en de toets is of de sleutel bestaat: /ActualText () is conform, en alleen een figure zonder beide sleutels valt af. Een lezer die beide waarden in gewone strings bewaart, vouwt "aanwezig maar leeg" en "afwezig" samen tot dezelfde '', en de checker meldt dan ontbrekende alternatieve tekst bij een figure die hem heeft. Bewaar een presence-vlag naast elke string als u het structuurelement parseert. Een lege /ActualText is een zwakke beschrijving die een menselijke reviewer misschien nog wil zien, maar een deel-2-validator heeft geen grond hem te laten vallen

De linkregel is verdwenen. PDF/UA-1 §7.18.5 eist dat elke linkannotatie /Contents draagt; PDF/UA-2 zet daar geen annotatiesleutelregel voor in de plaats en bindt de structuur in §8.2.5.20. Annotaties die naar verschillende doelen leiden moeten in aparte Link- of Reference-structuurelementen zitten, dus één Link-element dat zowel een sprong naar hoofdstuk 2 als een URI naar een externe site omvat, valt voor deel 2 af ook als beide annotaties /Contents dragen. De twee delen toetsen verschillende dingen — de tekst op de annotatie in het ene, de groepering in de boom in het andere. PDFium Component past de /Contents-eis voor links alleen toe op bestanden die deel 1 claimen

De namespace-klacht komt uit het verkeerde document lezen. ISO 14289-2 §8.2.4 bevat vier regels: een niet-standaard structuurtype moet naar een standaardtype mappen, geen mapping mag circulair zijn, geen type mag binnen dezelfde expliciete namespace mappen, en geen standaardtype mag naar een niet-standaard worden hergemapt. ISO/TS 32005 §5.3 voegt een aanbeveling toe voor documenten die namespaces mixen — gebruik het PDF 2.0-namespace voor de types die ze delen — en die aanbeveling hoort niet bij de PDF/UA-2-conformantievoorwaarden. Een checklist die hard valt op §5.3 weigert geldige gemengde bomen, zoals een PDF 2.0-boom die MathML-formules draagt. Een eigen type via /RoleMapNS naar een standaardtype resolven is een klus op zich, te zien in PDF/UA-2-validatie met role maps en namespaces

Drie PDF/UA-1-checklistklachten die onder ISO 14289-2 doorgaan: lege ActualText bij figures, linkannotaties en namespace-mixing, zoals PDFium Component ze in Delphi scheidt
elke klacht past een regel toe die PDF/UA-2 in die vorm niet bevat, dus de controle hoort achter het opgegeven deel en niet in een gedeelde checklist

Regels die PDF/UA-2 toevoegde of aanscherpte

De omgekeerde richting is de dure. Een UA-1-checklist laat de onderstaande bestanden door, en de failures verschijnen pas als iemand een deel-2-validator draait:

  • Widgets hebben een label of een beschrijving nodig. PDF/UA-1 §7.18.1 vrijwaart widgetannotaties van /Contents omdat de Form-tag van §7.18.4 ze dekt. PDF/UA-2 §8.10.2.3 eist /Contents op elke widget waarvan het structuurelement geen Lbl-kind heeft. De /TU-tooltip van het veld telt niet als label
  • Bestandsbijlagen vermelden hun relatie. §8.9.2.4.10 eist dat de bestandsspecificatie van een FileAttachment-annotatie /AFRelationship draagt — Source, Data, Alternative, Supplement en de andere waarden die PDF/A-3 al gebruikt voor geassocieerde bestanden en AFRelationship
  • Koppen zijn genummerd. PDF/UA-1 accepteert de generieke H-tag of genummerde H1…Hn-koppen, zolang één document ze niet mixt (§7.4.4). PDF/UA-2 §8.2.5.12 verbiedt de generieke H ronduit, dus een taggingschema gebouwd op kale H-elementen heeft remapping nodig voordat de export deel 2 kan claimen
  • Bestemmingen leiden naar structuur. §8.8 eist dat navigatiedoelen structuurdoelen zijn in de zin van ISO 32000-2 §12.3.2.3: een bestemmingsarray waarvan het eerste element een structuurelement is, of een GoTo-actie met /SD

Laat de oude regels met rust. Als een checklist deel-2-dekking krijgt, ligt de voor de hand liggende bewerking in het wissen van de §7.18.1-widgetvrijwaring zodat widgets zonder /Contents worden gevlagd, en die bewerking laat conforme deel-1-formulieren vallen op een regel die hun standaard nooit heeft gehad. Zet de deel-2-widgetcontrole naast de vrijwaring en koppel hem aan het opgegeven deel. Zo meldt PDFium Component de widgetregel — de deel-1-vrijwaring blijft van kracht, en een deel-2-widget zonder label of /Contents verschijnt als pvuaiAnnotationMissingContents

Matrix die PDF/UA-1 en PDF/UA-2 vergelijkt op widgetlabels, AFRelationship, generieke koppen en structuurdoelen, de vier controles die PDFium Component per deel in Delphi scheidt
de deel-2-toevoegingen draaien naast de deel-1-regels in plaats van ze te vervangen, waardoor conforme PDF/UA-1-formulieren in PDFium Component voor Delphi blijven doorgaan

Hoe toets u een structuurdoel zonder valse treffers?

Lees de sleutel waarvan de specificatie zegt dat die wint. ISO 32000-2 tabel 202 maakt /D verplicht op elke GoTo-actie en /SD optioneel, en zegt dat het structuurdoel voorrang krijgt als beide aanwezig zijn. Een conforme deel-2-link draagt daarom vaak een paginadoel zoals /D [6 0 R /Fit] voor oudere lezers en daarnaast /SD [19 0 R /Fit]. Een zelfgebouwde controle die /D leest vindt een pagina, meldt een doel dat geen structuurdoel is, en laat het bestand vallen. Bij acties: kijk naar /SD. Bij een kale bestemmingsarray: volg het eerste element en vraag of het gerefereerde woordenboek een structuurelement is, wat in bytes neerkomt op een woordenboek met een top-level-/S-sleutel

Top-level is het lastige deel. Een paginawoordenboek draagt routinematig /Group << /S /Transparency >> voor zijn transparency group, en een sleutelzoektocht die geneste woordenboeken niet overslaat vindt die binnenste /S en houdt de pagina voor een structuurelement aan, dus een kaal paginadoel komt erdoor. Scan alleen de sleutels van het buitenste woordenboek en sla elke waarde over als één compleet object, geneste woordenboeken en arrays incluis. De ParentTree, die de /StructParent van een annotatie terugmapt naar zijn structuurelement, vraagt dezelfde zorg. Zijn /Nums-array kan een sleutel koppelen aan een enkele referentie (0 26 0 R) of aan een array (0 [null 20 0 R]), en in de arrayvorm wordt de positie binnen de array bij de sleutel opgeteld om bij de /StructParent-waarde uit te komen. Een parser die alleen de eerste vorm kent laat annotaties in de tweede zonder structuurouder achter, en de groeperingsregel van §8.2.5.20 heeft dan niets om mee te vergelijken. Draai deze controles ook op de bytes zoals geladen: een opnieuw opgeslagen of genormaliseerde kopie kan annotatieobjecten hernummeren en de nummerboom herbouwen, dezelfde boom die u herschrijft telkens als u /ParentTree en /StructParents synchroon houdt na het bewerken van pagina's

Welke taaltags komen door de /Lang-controle?

De grammatica verschildt niet tussen de delen (ISO 14289-1 §7.2, ISO 14289-2 §8.4.4); losse checklists missen hem desondanks. veraPDF drukt hem uit als ^[a-zA-Z]{1,8}(-[a-zA-Z0-9]{1,8})*$: een eerste subtag van één tot acht letters, daarna een willekeurig aantal subtags van één tot acht letters of cijfers, elk ingeleid door een koppelteken. De grenzen zijn scherp. portugue-pt komt erdoor en portugues-pt valt af op zijn eerste subtag van negen letters; nl-1234abcd komt erdoor en nl-1234abcde valt af; 1-pt en -pt vallen af op het eerste teken. Een controle die alleen letters, cijfers en koppeltekens toetst, accepteert alle vier de afvallers. De /Lang van de catalogus en de /Lang van elk structuurelement hebben één gedeelde toets nodig, anders verdient dezelfde tag twee vonnissen in één bestand. Een tag opgeslagen als UTF-16BE-string, zoals <FEFF0045004E002D00550053>, wordt eerst gedecodeerd; die leest EN-US en komt erdoor. Slechte tags komen vaak ergens alledaags vandaan: locale-strings uit Java, ICU of database-instellingen gebruiken underscores, en pt_BR is geen geldige tag. IsPdfUaLanguageTagValid past dezelfde vormtoets toe, dus u kunt een tag repareren voordat hij wordt weggeschreven:

uses
  SysUtils, PDFium;

// Zet een platformlocale als pt_BR om in een tag die PDF/UA accepteert,
// of geef '' terug als een simpele vervanging hem niet kan repareren
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
  // Verwacht:
  //   en-US, portugue-pt, nl-1234abcd   geldig zoals geschreven
  //   pt_BR, zh_CN                      ongeldig, gerepareerd naar pt-BR / zh-CN
  //   portugues-pt, nl-1234abcde        ongeldig, gerepareerd naar ''
  for S in Samples do
    Writeln(Format('%-14s valid=%-5s repaired=%s', [S,
      BoolToStr(IsPdfUaLanguageTagValid(S), True), LocaleToPdfLang(S)]));
end;

Roep de conversie aan waar de tag uw pijplijn binnenkomt, voordat hij de catalogus of een structuurelement bereikt. Een leeg resultaat is het sein om terug te vallen op een taal waarvan bekend is dat het document hem gebruikt. De rauwe locale-string toch wegschrijven schuift de fout alleen stroomafwaarts op, waar hij opduikt als pvuaiLangInvalidFormat voor de catalogus of pvuaiStructElementLangInvalid voor een element, ver weg van de code die hem produceerde

Begin de migratie met de export uit de openingsparagraaf. Draai hem door ReportPdfUa uit de eerste listing met de PDFium Component for Delphi: de kopregel hoort PDF/UA-2 te noemen, en onder hem horen pvuaiFigureMissingAlt, pvuaiLinkMissingContents noch pvuaiNamespaceReuseInvalid te verschijnen. Elke klacht die uw oude checklist op dat bestand nog steeds heeft, markeert een deel-1-regel die achter het opgegeven deel hoort