Техническая статья

PDF/UA-1 vs PDF/UA-2: какие правила доступности изменились

Домашний чеклист PDF/UA-1 бракует экспорт PDF/UA-2, который проходит veraPDF, помечая фигуру, тегированную /ActualText (), аннотации-ссылки без /Contents и дерево структуры, мешающее пространства имён. Каждое из этого соответствует ISO 14289-2:2024, поэтому набор правил обязан следовать за частью, которую объявил файл, — а это первое, что читает TPdf.ValidatePdfUa в PDFium Component

Объявленный pdfuaid:part переключает набор правил PDF/UA в PDFium Component для Delphi, где одно значение issue означает разные правила в PDF/UA-1 и PDF/UA-2
часть, объявленная в XMP, выбирает набор правил, и одно значение issue может называть два разных правила в PDF/UA-1 и PDF/UA-2

Объявленная часть решает, какие правила применяются

Каждый файл PDF/UA называет свою часть в метаданных XMP через pdfuaid:part, а PDF/UA-2 добавляет два своих условия: запись о ревизии и файл, объявляющий PDF 2.0. То объявление — переключатель. TPdf.ValidatePdfUa возвращает TPdfUaValidationResult, чьё поле Conformance сообщает puc1 или puc2, pucNone для файла, подтверждённо не претендующего на PDF/UA, или pucUnknown, когда претензию определить нельзя, а набор Issues держит только замечания, приложимые к той части. Некоторые значения issue означают одно правило в части 1 и более широкое в части 2. pvuaiActionTargetMissing на файле части 1 означает, что действию GoToR, URI или SubmitForm недостаёт ключа цели (§7.18.5); на файле части 2 оно может означать ещё и цель, не ведущую к элементу структуры (§8.8). pvuaiAnnotationMissingContents на файле части 2 захватывает виджеты без метки. Поэтому печатайте часть рядом с каждым отчётом:

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 истинно только когда часть 1 или 2, а набор issue пуст, поэтому файл без претензии на PDF/UA никогда случайно не отчитается как соответствующий. У сравнения с veraPDF есть своя ловушка. Консольный инструмент выходит с кодом 1 на несоответствующем файле. Полный XML-отчёт он всё равно пишет в стандартный вывод, и скрипт, останавливающийся на коде выхода, выбрасывает номера правил. Читайте отчёт

Какие претензии UA-1 — ложная тревога под PDF/UA-2?

Каждая претензия из вводного примера применяет правило, которого PDF/UA-2 в такой форме не содержит. Начните с фигуры, где ошибка обычно сидит в коде разбора. ISO 14289-2 §8.2.5.28.2 требует от Figure ключа /Alt или /ActualText, и тест — существует ли ключ: /ActualText () соответствует, и проваливается лишь фигура без обоих ключей. Читалка, хранящая оба значения простыми строками, схлопывает «присутствует, но пусто» и «отсутствует» в одни и те же '', и проверялщик потом рапортует о недостающем альтернативном тексте у фигуры, которая его имеет. Разбирая элемент структуры, храните флаг присутствия рядом с каждой строкой. Пустой /ActualText — слабое описание, которое живой рецензент, возможно, всё же захочет увидеть, но валидатору части 2 нет оснований его браковать

Правило о ссылках исчезло. PDF/UA-1 §7.18.5 требует от каждой аннотации-ссылки /Contents; PDF/UA-2 не ставит на его место правила об аннотационных ключах и ограничивает структуру в §8.2.5.20. Аннотации, ведущие к разным целям, обязаны сидеть в отдельных элементах структуры Link или Reference, поэтому единственный элемент Link, оборачивающий и прыжок к главе 2, и URI на внешний сайт, проваливает часть 2, даже когда обе аннотации несут /Contents. Две части проверяют разное — в одной текст на аннотации, в другой группировку в дереве. PDFium Component применяет требование /Contents к ссылкам только к файлам, объявляющим часть 1

Претензия о пространствах имён приходит от чтения не того документа. ISO 14289-2 §8.2.4 держит четыре правила: нестандартный тип структуры обязан отображаться в стандартный, никакое отображение не может быть цикличным, никакой тип не может отображаться внутри того же явного пространства имён, и никакой стандартный тип нельзя переназначить в нестандартный. ISO/TS 32005 §5.3 добавляет рекомендацию для документов, мешающих пространства имён, — использовать пространство имён PDF 2.0 для типов, которые они делят, — и той рекомендации среди условий соответствия PDF/UA-2 нет. Чеклист, жёстко бракующий по §5.3, отвергает валидные смешанные деревья, вроде дерева PDF 2.0 с формулами MathML. Разрешение пользовательского типа в стандартный через /RoleMapNS — отдельная работа, показанная в статье о валидации PDF/UA-2 с ролевыми картами и пространствами имён

Три претензии чеклиста PDF/UA-1, проходящие под ISO 14289-2: пустой ActualText у фигур, аннотации-ссылки и смешение пространств имён, как их шлюзует PDFium Component в Delphi
каждая претензия применяет правило, которого PDF/UA-2 в такой форме не содержит, поэтому проверка принадлежит за объявленной частью, а не общему чеклисту

Правила, которые PDF/UA-2 добавил или ужесточил

Обратное направление — дорогое. Чеклист UA-1 пропускает файлы ниже, а провалы вылезают, лишь когда кто-то запускает валидатор части 2:

  • Виджетам нужна метка или описание. PDF/UA-1 §7.18.1 освобождает аннотации виджетов от /Contents, потому что тег Form из §7.18.4 накрывает их. PDF/UA-2 §8.10.2.3 требует /Contents на любом виджете, чей элемент структуры не имеет потомка Lbl. Подсказка /TU поля меткой не считается
  • Вложения файла заявляют своё отношение. §8.9.2.4.10 требует, чтобы спецификация файла аннотации FileAttachment несла /AFRelationship — Source, Data, Alternative, Supplement и прочие значения, которые PDF/A-3 уже использует для связанных файлов и AFRelationship
  • Заголовки нумерованы. PDF/UA-1 принимает обобщённый тег H или нумерованные заголовки H1…Hn, пока документ их не смешивает (§7.4.4). PDF/UA-2 §8.2.5.12 запрещает обобщённый H начисто, поэтому схеме тегирования на голых элементах H нужно переназначение, прежде чем экспорт сможет претендовать на часть 2
  • Цели ведут к структуре. §8.8 требует, чтобы навигационные цели были целями-структурами в смысле ISO 32000-2 §12.3.2.3: массив цели, чей первый элемент — элемент структуры, или действие GoTo с /SD

Старые правила не трогайте. Когда чеклист обзаводится покрытием части 2, очевидная правка — удалить исключение §7.18.1 для виджетов, чтобы виджеты без /Contents помечались, и та правка заставит соответствующие формы части 1 проваливать правило, которого их стандарт никогда не имел. Добавьте проверку виджетов части 2 рядом с исключением и закройте её объявленной частью. Именно так PDFium Component рапортует правило виджетов — исключение части 1 остаётся в силе, а виджет части 2 без метки или /Contents появляется как pvuaiAnnotationMissingContents

Матрица сравнения PDF/UA-1 и PDF/UA-2 по меткам виджетов, AFRelationship, обобщённым заголовкам и целям-структурам — четыре проверки, которые PDFium Component шлюзует по частям в Delphi
добавки части 2 идут рядом с правилами части 1, а не вместо них, что держит соответствующие формы PDF/UA-1 проходящими в PDFium Component для Delphi

Как тестировать цель-структуру без ложных срабатываний?

Читайте ключ, который по слову спецификации побеждает. Таблица 202 ISO 32000-2 делает /D обязательным на каждом действии GoTo, а /SD — опциональным, и говорит, что цель-структура должна иметь приоритет, когда есть обе. Соответствующая часть 2 ссылка поэтому часто несёт страницу-цель вроде /D [6 0 R /Fit] для старых читалок и /SD [19 0 R /Fit] рядом. Самодельная проверка, читающая /D, найдёт страницу, рапортует о цели, которая не цель-структура, и провалит файл. Для действий смотрите на /SD. Для голого массива цели идите за его первым элементом и спросите, является ли упомянутый словарь элементом структуры, что в байтовых терминах означает словарь с ключом /S верхнего уровня

Верхний уровень — трудная часть. Словарь страницы по привычке несёт /Group << /S /Transparency >> ради своей группы прозрачности, и поиск по ключам, не пропускающий вложенные словари, найдёт тот внутренний /S и решит, что страница — элемент структуры, поэтому простая страница-цель пройдёт. Сканируйте только ключи внешнего словаря и пропускайте каждое значение как один целый объект, включая вложенные словари и массивы. ParentTree, отображающий /StructParent аннотации обратно в её элемент структуры, требует той же осторожности. Его массив /Nums может спаривать ключ с единственной ссылкой (0 26 0 R) или с массивом (0 [null 20 0 R]), и в форме массива позиция внутри массива прибавляется к ключу, чтобы добраться до значения /StructParent. Парсер, знающий лишь первую форму, оставит аннотации второй формы без родителя-структуры, и правилу группировки §8.2.5.20 нечего будет сравнивать. Прогоняйте эти проверки и по байтам, как загружено: пересохранённая или нормализованная копия может перенумеровать объекты аннотаций и пересобрать дерево чисел — то самое дерево, которое вы переписываете всякий раз, когда держите /ParentTree и /StructParents в синхроне после правки страниц

Какие языковые теги проходят проверку /Lang?

Грамматика между частями не менялась (ISO 14289-1 §7.2, ISO 14289-2 §8.4.4), но рыхлые чеклисты её всё равно пропускают. veraPDF выражает её как ^[a-zA-Z]{1,8}(-[a-zA-Z0-9]{1,8})*$: первый подтег из одной-восьми букв, затем любое число подтегов из одной-восьми букв или цифр, каждый вводимый дефисом. Пределы резкие. portugue-pt проходит, а portugues-pt проваливается на девятибуквенном первом подтеге; nl-1234abcd проходит, а nl-1234abcde проваливается; 1-pt и -pt падают на первом символе. Проверка, тестирующая лишь буквы, цифры и дефисы, примет все четыре провала. Каталожному /Lang и /Lang каждого элемента структуры нужен один общий тест, иначе один и тот же тег получит два приговора в одном файле. Тег, хранимый строкой UTF-16BE, например <FEFF0045004E002D00550053>, сперва декодируется; тот читается как EN-US и проходит. Плохие теги часто приходят откуда-то будничного: строки локалей из Java, ICU или настроек базы используют подчёркивания, а pt_BR — не валидный тег. IsPdfUaLanguageTagValid применяет тот же тест формы, поэтому тег можно починить до записи:

uses
  SysUtils, PDFium;

// Превращаем платформенную локаль вроде pt_BR в тег, который принимает PDF/UA,
// или возвращаем '', когда простая замена не чинит
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
  // Ожидается:
  //   en-US, portugue-pt, nl-1234abcd   валидны как есть
  //   pt_BR, zh_CN                      невалидны, починены в pt-BR / zh-CN
  //   portugues-pt, nl-1234abcde        невалидны, починены в ''
  for S in Samples do
    Writeln(Format('%-14s valid=%-5s repaired=%s', [S,
      BoolToStr(IsPdfUaLanguageTagValid(S), True), LocaleToPdfLang(S)]));
end;

Вызывайте конверсию там, где тег входит в ваш конвейер, до того, как он доберётся до каталога или любого элемента структуры. Пустой результат — сигнал откатиться к языку, который документ заведомо использует. Запись сырой строки локали как есть лишь двигает провал вниз по течению, где он вылезет как pvuaiLangInvalidFormat для каталога или pvuaiStructElementLangInvalid для элемента, далеко от кода, который его произвёл

Начните миграцию с экспорта из вводного абзаца. Прогоните его через ReportPdfUa из первого листинга с PDFium Component для Delphi: строка шапки должна назвать PDF/UA-2, и ни pvuaiFigureMissingAlt, ни pvuaiLinkMissingContents, ни pvuaiNamespaceReuseInvalid не должны появиться под ней. Любая претензия, которую ваш старый чеклист всё ещё предъявляет тому файлу, помечает правило части 1, которое стоит убрать за объявленную часть