Что такое структурные теги PDF
Структурные теги — отдельное дерево внутри документа, которое описывает не вид страницы, а её устройство: здесь заголовок второго уровня, здесь абзац, здесь ячейка таблицы, а картинка вот с таким текстовым описанием. Дерево живёт параллельно содержимому и на внешний вид не влияет вообще: тегированный и нетегированный документ выглядят одинаково. Разница появляется там, где документ читает не глаз, а программа — и ей нужно знать порядок и роли.
Коротко о цифрах
- Где живёт дерево
- в каталоге документа, параллельно содержимому страниц
- На что влияет внешне
- ни на что: тегированный файл выглядит так же
- Что теряет копирование страниц
- дерево тегов не переносится вместе со страницей
- Что теряет растеризация
- и теги, и текстовый слой целиком
- Чего не делают наши инструменты
- не создают и не восстанавливают дерево тегов
Что видит программа в нетегированном файле
Страница без тегов — это последовательность команд рисования: поставить такой глиф в такую точку, залить прямоугольник, нарисовать линию. Порядок команд определяется тем, как программа-издатель выводила текст, и совпадает с порядком чтения далеко не всегда.
Отсюда знакомые всем последствия. Текст, скопированный из двухколоночной вёрстки, идёт вперемежку: строка левой колонки, строка правой. Таблица превращается в поток чисел без границ ячеек. Колонтитул вклинивается в середину абзаца. Ни одна из этих бед не видна на экране — они появляются ровно в тот момент, когда содержимое достают из файла.
Что даёт дерево тегов
- Порядок чтения, заданный явно, а не выведенный из координат на странице.
- Роли элементов: заголовок, список, ячейка таблицы, подпись к изображению.
- Текстовое описание для картинок — то, что зачитывает программа чтения с экрана вместо изображения.
- Заголовки строк и столбцов таблицы, без которых ячейка «12 400» ничего не значит.
- Язык фрагмента: он подсказывает синтезатору речи, как произносить слова, и это особенно важно для документов с двумя языками сразу.
Где теги теряются
- При растеризации — сжатии с перерисовкой страниц и экспорте в картинку — исчезают не только теги, но и сам текст: остаются пиксели.
- Библиотека, на которой работают объединение, разделение и перестановка страниц, копирует содержимое страниц, а дерево тегов хранится в каталоге документа и в копию не переносится.
- Печать в PDF из большинства программ даёт нетегированный файл: драйвер печати знает только, что рисовать, но не что это такое.
- Извлечение текста читает порядок команд и координаты, а не дерево тегов, поэтому по его результату нельзя судить, есть теги в документе или нет.
Как проверить, есть ли теги
- В свойствах документа у полноценных просмотрщиков есть отдельная строка о наличии тегов.
- Косвенная проверка: скопируйте абзац из двухколоночной страницы. Перемешанные строки — верный признак того, что порядок чтения не задан.
- Ещё проще: если текст вообще не выделяется, перед вами картинка, и разговор о тегах здесь преждевременный.
Частые вопросы
Меняется ли вид документа после расстановки тегов?
Нет, ни на пиксель. Теги описывают устройство содержимого, а не его отрисовку, поэтому визуально тегированный и нетегированный файлы неразличимы даже при прямом сравнении страниц.
Появятся ли теги, если сохранить документ из текстового редактора в PDF?
Зависит от способа. Экспорт в PDF из офисного пакета обычно переносит структуру заголовков и таблиц, а печать в PDF через драйвер — почти никогда, потому что драйвер получает только команды рисования.
Почему после объединения файлов пропала структура?
Потому что копируется содержимое страниц, а дерево тегов лежит уровнем выше — в каталоге документа. Новый файл получает страницы, но не получает их описания, и структуру придётся расставлять заново.
Нужны ли теги обычному счёту или договору?
Для внутренней переписки обычно нет. Они становятся обязательным требованием там, где документ публикуется для широкой аудитории или должен читаться программами чтения с экрана — точные требования уточняйте у принимающей стороны.