Portable Document Format

• 1993 PDF 1.0 – Vznik PDF – přenos mezi počítačovými platformami Mac, Windows a UNIX
• 1994 PDF 1.1 – Podpora pro externí odkazy; Komprese LZW a JPEG; zdarma Adobe Reader, podpora pro heslo a šifrování (MD5, RC4 40bit)
• 1996 PDF 1.2 – Přidány interaktivní elementy stránek (radio buttons, checkboxes...), Unicode, podpora základních tiskových barev (CMYK) a přímé barvy
• 2000 PDF 1.3 – Podpora TrimBox, BleedBox, ArtBox, SmoothShading (PS3 přechody), zvětšení maximální velikosti
• 2001 PDF 1.4 – Průhlednost, podpora RC4 šifrování pro klíče delší 40bit (40-128)
• 2003 PDF 1.5 – Komprese JPEG 2000, preflight
• 2005 PDF 1.6 – Vkládání OpenType fontů; AES kódování
• 2006 PDF 1.7 – Podpora 3D formátu, podpora PDF/A
• 2008 PDF 1.7 ext3 – Vznik normy ISO 32000 Document management, 256 bit AES šifrování
• 2009 PDF 1.7 ext5 – podpora XFA 3.0

• hlavička – obsahuje verzi PDF
• tělo – obsahuje sérii objektů požitých v dokumentu
• tabulka odkazů – obsahuje konkrétní pozice v souboru, na kterých začíná daný objekt
• závěrečná sekce – obsahuje pozici na které začíná tabulka odkazů[3]

Soubor PDF se skládá především z objektů, kterých existuje osm druhů:[4]

• Booleovské hodnoty (Boolean) – představují hodnoty true, nebo false. Booleovské objekty mohou být použity jako hodnoty v polích (arrays) nebo slovnících (dictionaries), také se mohou objevovat ve výpočetních funkcích PostScriptu jako výsledek booleovských a relačních operátorů a jako operandy podmíněných operátorů if a ifelse.
• Čísla (Numbers) – PDF poskytuje dva typy numerických objektů: integer a real. Integer reprezentuje matematicky celá čísla určitého intervalu se středem v 0. Real objekty aproximují matematické reální čísla, ale s omezeným rozsahem a přesností. Typicky jsou reprezentovány pomocí pevné řádové čárky (fixed-point). Rozsah a přesnost jsou limitované vnitřní reprezentací používanou v počítači, na kterém běží uživatelská PDF aplikace.
• Řetězce (Strings) – String objekt sestává ze série bajtů hodnot unsigned integer v rozsahu 0 až 255. String objekty nejsou objekty typu integer, ale jsou uloženy v kompaktnějším formátu. Objekty typu string mohou být zapisovány dvěma způsoby: jako sekvence literálů uzavřených v kulatých závorkách (), nebo jako hexadecimální data uzavřena v lomených závorkách <>.
• Jména (Names) – Name object je atomický symbol jedinečně definován sekvencí znaků. Jedinečně definován znamená, že dva jmenné objekty sestávající stejné sekvence znaků jsou stejný objekt. Atomický znamená, že nemají vnitřní strukturu. Ačkoliv jsou definované sekvencí znaků, tyto nejsou považovány za elementy jména. Jméno začíná lomítkem (/). Lomítko není součástí jména, je to předpona indikující, že následující sekvence znaků představuje jméno. Mezi lomítkem a jménem se nesmějí nacházet žádné bílé znaky.
• Pole (Arrays) – seřazené kolekce objektů – array object je jednorozměrná množina objektů seřazených sekvenčně. Na rozdíl od polí v mnohých jiných programovacích jazycích, PDF pole mohou být heterogenní, to znamená, že prvky pole mohou být jakákoliv kombinace čísel, řetězců, slovníků a dalších objektů, včetně polí samotných. Pole je zapsané jako sekvence objektů uzavřených v hranatých závorkách ([…]).
• Slovníky (Dictionaries) – kolekce objektů indexovaných Jmény – Dictionary object je asociativní tabulka obsahující páry objektů, označovány jako záznamy slovníku. První prvek každého páru objektů je klíč (key) a druhý prvek hodnota (value). Klíč musí být typu Jméno (Name, na rozdíl od PostScriptu kde může být objekt jakéhokoliv typu). Hodnota může být jakýkoliv objekt včetně dalšího slovníku. Slovníkový záznam, kterého hodnota se rovná Null je ekvivalentní chybějícímu záznamu. (To je rozdíl oproti PostScriptu, kde se null správa jako jakýkoli jiný objekt). Slovník je zapsaný jako sekvence párů klíč–hodnota uzavřených ve dvojitých lomených závorkách (<<…>>).
• Streamy (Streams) – Stream object stejně jako string object obsahuje sekvenci bajtů. Avšak, PDF aplikace mohou číst stream postupně, zatím co řetězce musí byt přečteny celé najednou. Navíc stream může mít neomezenou velikost. Z toho důvodu objekty s velkým množstvím dat, jako obrázky a popisy stránek (page descriptions), jsou reprezentovány pomocí streamů.
• Prázdný (Null) objekt – má typ a hodnotu, která se nerovná žádnému jinému objektu. Existuje jenom jeden objekt typu null, označený pomocí klíčového slova null.[5]

Objekty mohou být přímé (vloženy do jiného objektu), nebo nepřímé. Nepřímé objekty jsou očíslovány číslem objektu a „generation number“. Tabulka indexů nazývána xref tabulka poskytuje offset bajtu každého nepřímého objektu od začátku souboru.[6] Tato konstrukce umožňuje efektivní libovolný přístup k objektům v souboru, a také umožňuje, aby kvůli malým změnám nemusel být přepisován celý soubor (inkrementální aktualizace). Od verze PDF 1.5 mohou být nepřímé objekty také umístěny do speciálních proudů (object streams). Tato technika snižuje velikost souborů, které mají velké množství nepřímých objektů, a je vhodná zejména pro Tagged PDF. Existují dvě rozložení PDF souborů, nelineární (neoptimalizované) a lineární (optimalizované). Nelineární PDF soubory spotřebují méně místa na disku než jejich lineární protějšky, mají však pomalejší přístup, protože některé z údajů potřebných pro sestavení stránky jsou roztroušeny po celém souboru. Lineární PDF soubory (také označovány jako optimalizovány nebo webově optimalizovány) jsou konstruovány způsobem, který jim umožňuje být čteny z pluginu webového prohlížeče bez nutnosti čekání na stažení celého souboru, protože jsou zapsány na disk lineárně (v pořadí podle stránek).[7] PDF soubory mohou být optimalizovány pomocí software Adobe Acrobat nebo QPDF.

Základní princip, jak je grafika reprezentována v PDF je velmi podobný tomu v PostScriptu, s výjimkou použití průhlednosti, která byla přidána do PDF od verze 1.4.

K popisu stránky používá PDF grafika kartézský souřadnicový systém nezávislý na použitém zařízení (device independent). Popis stránky PDF může používat matice pro rotaci, změnu měřítka, nebo zkosení grafických prvků. Klíčovým konceptem ve formátu PDF je stav grafiky (graphics state), stavové proměnné, což je kolekce grafických parametrů, které mohou být měněny, ukládány, a obnovovány popisem stránky. PDF má (od verze 1.6) 24 grafických stavových vlastnosti, z nichž 16 je nezávislých na použitém zařízení (device independent) a 8 na zařízení závislých (device dependent). Popis některých důležitých grafických stavových vlastností (device independent):

• Současná transformační matice (CTM – Current transformation matrix), mapuje pozici z uživatelských souřadnic do souřadnic zařízení
• Ořezová cesta (Clipping path) – aktuální ořezová cesta definuje hranice podle kterých je celý výstup ořezán
• Barevný prostor (Color space) – současný barevný prostor, ve kterém jsou barvy interpretovány
• Barva (Color) – současná barva používaná během vykreslovacích operací
• Text state – skupina devíti stavových proměnných, které náleží jenom vykreslování textu
• Tloušťka čáry (Line width) – tloušťka čar v „user space units“
• Režim míchání (Blend mode) – od PDF 1.4. Současný režim míchání pro transparentní zobrazovací model
• Alfa konstanta – hodnota konstanty tvaru (shape), nebo konstanty neprůhlednosti (opacity) v transparentním zobrazovacím modelu

Některé grafické stavové proměnné jsou nastavovány pomocí konkrétních operátorů, některé pomocí příslušného záznamu v slovníku grafických stavových proměnných (graphics state parameter dictionary) a jiné pomocí obou. Například aktuální tloušťka čáry může být nastavena buď operátorem w, nebo (od PDF 1.3) pomocí LW záznamu v slovníku grafických stavových proměnných, zatím co aktuální barva je nastavována jenom pomocí konkrétního operátoru.[5]

Vektorová grafika ve formátu PDF, stejně jako v PostScriptu, je konstruována pomocí cest (path). Cesty jsou obvykle složeny z čar a kubických Bézierových křivek, ale mohou být také vytvořeny z obrysů textu. Na rozdíl od PostScriptu, PDF neumožňuje, aby jediná cesta (path) míchala tvar textu s čárami a křivkami. Cesty mohou být tahané (stroked), vyplněné, nebo použity pro ořezávání. Tahy a výplně mohou používat jakoukoliv sadu barev, včetně vzorů (patterns).

PDF podporuje několik typů vzorů. Nejjednodušší je dlaždicový vzor (tilling pattern), v němž je specifikován kousek předlohy, který se poté nanáší opakovaně. Může to být barevný dlaždicový vzor, s barvami specifikovanými ve vzorovém (pattern) objektu, nebo nebarevný dlaždicový vzor, který odkládá specifikaci barvy do doby vykreslování vzoru. Se začátkem PDF 1.3 se objevuje také stínovací (shading) vzor, který vykresluje nepřetržitě se měnící barvy. Existuje sedm druhů stínovacích vzorů, z kterých nejjednodušší jsou axiální odstín (typ 2) a radiální odstín (typ 3).

Rastrové obrázky v PDF (tzv. Image XObjects) jsou reprezentovány pomocí slovníků s asociovanými streamy. Slovník popisuje vlastnosti obrázku, a stream obsahuje obrazová data. (Méně často, může být rastrový obrázek přímo součástí popisu stránky jako vložený obrázek.) Obrázky jsou obvykle filtrovány pro účely komprese. Obrazové filtry podporované v PDF zahrnují některé obecné filtry:

• ASCII85Decode filtr používaný pro převod streamu do 7bit ASCII
• ASCIIHexDecode podobný ASCII85Decode ale méně kompaktní
• FlateDecode běžně používaný filtr založený na zlib/deflate algoritmu (též gzip, ale ne zip) definován v RFC 1950 a RFC 1951; představen v PDF 1.2, může použít jednu ze dvou skupin z prognostických funkcí pro více kompaktní zlib/deflate kompresi : Predictor 2 z TIFF 6.0 specifikaci a prediktory (filtry) od PNG specifikace (RFC 2083)
• LZWDecode filtr založený na LZW kompresi; může používat jednu ze dvou skupin prognostických funkcí pro více kompaktní LZW kompresi: Predictor 2 ze specifikace TIFF 6.0 a prediktory (filtry) z PNG specifikace
• RunLengthDecode jednoduchá kompresní metoda streamů s opakujícími se daty za pomocí algoritmu Run-length encoding (RLE) a obrazově-specifické filtry
• DCTDecode ztrátový filtr založený na standardu JPEG
• CCITTFaxDecode bezeztrátový dvou úrovňový (černá/bílá) filtr založený na skupině 3 nebo skupině 4 CCITT (ITU-T) faxový kompresní standard definovaný v ITU-T T.4 a T.6
• JBIG2Decode ztrátový nebo bezeztrátový dvou úrovňový (černá/bílá) filtr založen na standardu JBIG2, představen ve formátu PDF 1.4
• JPXDecode ztrátový nebo bezeztrátový filtr založen na standardu JPEG 2000, který byl zaveden v PDF 1.5

Normálně veškerý obrazový obsah je součástí PDF souboru. Standard PDF však umožňuje aby obrazová data mohla být uložena v externích souborech s použitím externích streamů nebo alternativních obrázků. Některé standardizované podskupiny PDF, jako např. formát PDF/A a PDF/X, tyto funkce zakazují.

Text ve formátu PDF je reprezentován pomocí textových prvků v page content streams. Textový prvek definuje, že znaky by měly být vykresleny na určitých pozicích. Tyto znaky jsou specifikovány za pomocí kódování vybraného zdroje písma (fontu).

Font objekt ve formátu PDF je popis digitálního typu písma (typeface). Může buď popisovat vlastnosti typu písma, nebo může obsahovat vložený soubor s fontem. První případ se nazývá unembedded font, zatím co druhý embedded font. Soubory s fonty, které mohou být vestavěné v PDF, vycházejí z široce používaných formátů písem (fontů): Typ 1 (a jeho komprimované varianty CFF), TrueType, a (od PDF 1.6) OpenType. Navíc PDF podporuje variantu Typ 3, ve které jsou komponenty fontu písma popsané pomocí PDF grafických operátorů.

Čtrnáct typů písma – známé jako standardních 14 fontů – mají zvláštní význam v dokumentech PDF:

• Times (v3) (normální, kurzíva, tučný a tučná kurzíva)
• Courier (normální, šikmé, tučné a tučné šikmé)
• Helvetica (v3) (normální, šikmé, tučné a tučné šikmé)
• Symbol
• Zapf Dingbats

Tyto fonty jsou někdy nazývány jako základních čtrnáct fontů písma.[8] Tyto fonty, nebo vhodné substituční písma se stejnými metrikami, musí být vždy k dispozici ve všech PDF prohlížečích, a tak nemusí být vloženy v PDF souboru.[9] PDF prohlížeče musejí znát metriku těchto fontů. Ostatní fonty mohou být nahrazeny, pokud nejsou vloženy v pdf souboru.

V textovém řetězci jsou znaky zobrazeny pomocí kódu znaku (integer), které jsou mapovány na glyfy v aktuálním fontu pomocí kódování. Existuje řada předdefinovaných kódování, včetně WinAnsi, MacRoman, a velké množství kódování pro jazyky východní Asie, a fonty mohou mít své vlastní vestavěné kódování. (I když WinAnsi a MacRoman kódování jsou odvozeny od historických vlastností operačních systémů Windows a Macintosh, fonty používající tato kódování fungují stejně dobře na všech platformách.) PDF umožňuje specifikovat předdefinované kódování, vestavěné kódování fontů, nebo poskytnout vyhledávací tabulku (lookup table) rozdílů vůči předdefinovanému nebo vestavěnému kódování (nedoporučuje se pro TrueType fonty).[10] Kódovací mechanizmy v PDF byly navrženy pro fonty Typu 1 a pravidla pro jejich použití pro TrueType fonty jsou složitá.

Pro velké fonty nebo fonty s nestandardními glyfy, se požívá zvláštní kódování Identity-H (pro horizontální zápis) a Identity-V (pro vertikální). Pro takové druhy fontů je nutné poskytnout ToUnicode tabulku, pokud má být uchována informace o sémantice znaků.

Původní zobrazovací model PDF byl, stejně jako v PostScriptu, neprůhledný: každý objekt vykreslen na stránce zcela nahrazoval cokoliv dříve vykreslené na stejném místě. Od verze 1.4 byl PDF zobrazovací model rozšířen tak, aby umožňoval průhlednost. Je-li průhlednost použita, nové objekty interagují s dříve zobrazenými objekty, aby vytvořili efekt prolínání. Funkce transparentnosti byla do PDF přidána s ohledem na zpětnou kompatibilitu, tak aby mohla být ve verzích PDF 1.3 a předchozích ignorována. V důsledku toho by soubory, které používají malé množství transparentnosti, měly být zobrazeny přijatelně i ve starších prohlížečích. Avšak soubory využívající velké množství transparentnosti mohou být staršími prohlížeči zobrazeny nesprávně bez varování.

Rozšíření transparentnosti jsou založeny na klíčových pojmech jako: skupiny transparentnosti (transparency groups), režimů prolnutí (blending modes), tvar (shape) a alfa (alpha). Model je úzce spojen s funkcemi Adobe Illustrator verze 9. Režimy prolnutí byly založeny na těch, které byly v té době používány v Adobe Photoshop. Když byla zveřejněna specifikace PDF 1.4, byly vztahy pro výpočet režimy blendingu drženy v tajnosti. Od té doby je však společnost Adobe publikovala.[11]

Jak už bylo zmíněno, PDF z PostScriptu vychází, takže jejich schopnosti jsou do značné míry podobné. Nejviditelnější rozdíl je ve velikosti souborů. Jelikož soubory PDF automaticky používají kompresi, jsou typicky výrazně menší než odpovídající dokumenty ve formátu PostScript.

Jazyk HTML si za cíl klade popsat obsah WWW stránky tak, že konkrétní způsob zobrazení stránky je na libovůli prohlížeče, potažmo uživatele. To na jedné straně umožňuje zobrazovat dokumenty tak, aby vyhovovaly čtenáři, na straně druhé znemožňuje zaručit přesně stejný vzhled dokumentu u všech uživatelů. Oproti tomu je cílem formátu PDF zajistit co nejpřesněji stejné zobrazení na libovolném zařízení.

Formát PDF je proto před HTML upřednostňován zvláště v případě graficky bohatého návrhu, u kterého autor vyžaduje dodržení původního vzhledu, u reklamních materiálů, prospektů apod. V rámci HTML lze téhož dosáhnout pomocí bitmapové grafiky či (v poslední době) pomocí vektorové grafiky, např. ve formátu SVG. Takové řešení však trpí mnoha nedostatky a odstraňuje většinu předností jednoduchého textového formátu. Výsledné dokumenty jsou také obvykle výrazně větší než původní HTML text.

Typickým příkladem rozdílů je chování při zvětšování dokumentu, např. pro lepší čitelnost pro osoby s vadou zraku:

• Při zvětšení PDF dokumentu se pouze zvětšuje měřítko, vzhled dokumentu zůstává zachován; při vysokém zvětšení se na obrazovku nevejde celý sloupec textu a je třeba horizontální posuv pro čtení celého řádku.
• Pro zvětšení HTML dokumentu stačí zvětšit velikost použitého písma, text se přeformátuje tak, aby se stále vešel do šířky okna prohlížeče, při tom se ovšem vzhled dokumentu změní, řádkové zlomy jsou mezi jinými slovy, dokumentu se zvýší počet řádků textu atd. (Poznámka: novější verze formátu PDF umožňují vytvářet dokumenty, které se mohou také přeformátovat stejným způsobem, tato možnost však obvykle využívána není.)

Kromě oficiálního bezplatně použitelného Adobe Readeru existuje celá řada programů schopných pracovat s formátem PDF. Patří mezi ně např. prohlížeč PDF-XChange Viewer, Foxit Reader, Sumatra PDF nebo open source prohlížeč Xpdf, který obsahuje i programy na extrahování textu, fontů a obrázků z PDF a též i převod PDF na PostScript nebo PPM.