Reparar PDF

Acerca de Reparar PDF

Un PDF no se lee de principio a fin. Cerca del final hay una tabla de referencias cruzadas (xref) que indica en qué byte empieza cada objeto, del tipo «el objeto 3 empieza en el byte 1204». El visor arranca en el trailer del final y salta a cada objeto por esas direcciones. Por eso un archivo con el contenido intacto puede aparecer como dañado solo porque esa libreta de direcciones está mal.

Esta herramienta no se fía de esa libreta. Recorre el archivo entero de principio a fin, encuentra todos los objetos envueltos en «N 0 obj … endobj» y escribe una tabla de referencias nueva con lo que encuentra. Después de guardar, abre el resultado con un motor PDF y comprueba el número de páginas.

Daños que se pueden reparar

El objetivo son los casos en que la información estructural está mal pero los datos siguen ahí, que además son los más frecuentes.

• Basura antes de la cabecera. Si una pasarela de correo o un script de subida añade bytes antes de %PDF-, todos los desplazamientos se corren lo mismo. Basta con quitar ese prefijo.
• Desplazamientos de xref erróneos. Otro programa editó el archivo sin actualizar la tabla, o una conversión de fin de línea (una transferencia FTP en modo texto, por ejemplo) movió los bytes.
• Longitud de flujo errónea (/Length). Si /Length no cae en endstream, la herramienta busca endstream y vuelve a medir.
• Falta el trailer. /Root se toma del último trailer o diccionario de flujo xref; si no existe, se busca un objeto /Type /Catalog y se usa como punto de entrada.
• Árbol de páginas roto. Se quitan las entradas que apuntan a páginas inexistentes y se corrigen /Parent y /Count. Si no hay árbol utilizable, se construye uno nuevo con los objetos /Type /Page en el orden del archivo.

Daños que no se pueden reparar

Los bytes que faltan no vuelven. Si una descarga se cortó al 60 %, los objetos del 40 % restante no están en ninguna parte. Puede sobrevivir el objeto de una página pero no su flujo de contenido o sus imágenes, y esa página se abrirá en blanco o sin fotos.

Desde PDF 1.5 se pueden meter muchos objetos en un solo flujo comprimido (ObjStm). Si uno de ellos queda cortado, desaparecen con él decenas de objetos. La herramienta solo sabe descomprimir flujos de objetos con FlateDecode; los que usan otros filtros o predictores no se recuperan.

Los PDF cifrados quedan fuera porque el contenido de los objetos está bloqueado. Tampoco se arreglan reconstruyendo la estructura los daños dentro de datos comprimidos, como bits alterados.

Actualizaciones incrementales y «gana la última definición»

PDF admite actualizaciones incrementales: los cambios se añaden al final del archivo en lugar de reescribirlo. Al añadir una firma o un comentario, el mismo número de objeto puede aparecer dos o más veces, y según la especificación vale el último. La herramienta sigue la misma regla y usa la última definición de cada número.

Así, el archivo reparado refleja el último guardado. Si ese último guardado incremental quedó a medias, los objetos cortados se descartan y ganan las definiciones anteriores completas, así que puedes ver el documento un paso atrás. También significa que en el archivo siguen versiones antiguas de objetos, y algo que creías borrado puede reaparecer al recuperar.

Ejemplos

Cómo se usa

1. Añade el PDF que no abre y lee la lista de diagnóstico.
2. Si hay páginas fuera del árbol, decide si añadirlas al final.
3. Ejecuta la reparación, revisa el número de páginas verificado y la vista previa, y descarga el PDF y el informe.

Términos clave

Tabla de referencias cruzadas (xref)

Lista del byte donde empieza cada objeto. Desde PDF 1.5 también puede guardarse como flujo xref comprimido.

Actualización incremental

Guardar añadiendo al final los objetos modificados y una nueva sección xref, sin reescribir el archivo.

Preguntas frecuentes