Waarom pdf's er overal hetzelfde uitzien (en zo lastig te bewerken zijn)

Een pdf is een tekening, geen tekstbestand

Binnenin een pdf zit geen doorlopende tekst. Er zitten tekeninstructies: plaats dit letterteken op coördinaat x-y, trek deze lijn, vul deze rechthoek, sluit deze foto in. Het formaat stamt af van PostScript, de taal die laserprinters spreken, en erfde het wereldbeeld van de printer: een pagina is een vast canvas, geen stroom woorden.

Daarom overleeft een pdf elke reis ongeschonden. Lettertypen reizen mee in het bestand, posities zijn absoluut, en de viewer heeft maar één taak: de tekeninstructies gehoorzamen. Een Word-document is daarentegen een verzameling suggesties ('dit is een kop, zet hem redelijk neer') die elk apparaat nét anders interpreteert; daarom verschuiven lay-outs tussen computers.

De prijs verschijnt zodra je iets wilt veranderen. Omdat alinea's niet als objecten bestaan, betekent 'verplaats deze alinea' dat de positie van elk teken erna opnieuw berekend moet worden, over paginagrenzen heen die het bestand nooit als flexibel heeft beschreven. Editors die dat kunnen, doen aan reconstructie; ze puzzelen een lay-out terug die het formaat vergeten is.

Eén pagina, drie heel verschillende soorten inhoud

Vectorinhoud (tekst, lijnen, vormen) wordt opgeslagen als wiskunde en blijft op elke zoom messcherp. Rasterinhoud (foto's, scans) wordt opgeslagen als pixels en vervaagt bij vergroten. Eén pagina mengt routinematig beide, plus een derde, onzichtbare laag: metadata en structuur, zoals bladwijzers, links en formuliervelden.

Weten naar welke laag je kijkt verklaart het meeste pdf-gedrag. Tekst die je kunt selecteren en doorzoeken is vectortekst; tekst die je niet kunt selecteren is een afbeelding van tekst, en dat is precies wat elke gescande pagina is. Bestandsgrootte volgt dezelfde scheiding: honderd pagina's pure tekst kunnen minder wegen dan één ingesloten foto.

Wat tools wel en niet voor je kunnen doen

Bewerkingen die pagina's als verzegelde eenheden behandelen zijn veilig en verliesvrij: documenten samenvoegen, splitsen, pagina's verwijderen, draaien en herordenen schuiven hele paginaobjecten zonder hun inhoud aan te raken. Daarom ziet een samengevoegde pdf er exact uit als zijn bronnen; er is niets opnieuw gerenderd.

Bewerkingen die de verzegelde eenheid moeten openen zijn waar kwaliteits- en getrouwheidsvragen beginnen: tekstextractie hangt ervan af of er binnenin echte tekst bestaat, pagina's naar afbeeldingen omzetten legt een resolutie voorgoed vast, en echt bewerken vergt de reconstructie van hierboven. Vuistregel: wat met een schaar en een kopieerapparaat zou kunnen, doet pdf perfect; wat een typemachine nodig heeft, geeft wrijving.

Wanneer pdf de verkeerde keuze is

Pdf is het juiste formaat voor afgeronde documenten: contracten, facturen, cv's, alles waar de lay-out deel van de boodschap is en verandering ongewenst. Het is het verkeerde formaat voor inhoud die nog geschreven wordt, voor tekst die op telefoons moet meevloeien, en voor data die machines moeten lezen; een tabel gevangen in een pdf is zonder pijnlijke extractie verloren voor spreadsheets.

De praktische gewoonte: bewaar de bewerkbare bron (Word, Google Docs, Markdown, wat het document ook maakte) en beschouw de pdf als de gepubliceerde foto ervan. Wie alleen de pdf bewaart, beleeft ooit de dag dat hij de typemachine nodig heeft en alleen de foto vasthoudt.