Как восстановить повреждённый PDF и вернуть то, что в нём ещё осталось

PDF, который не открывается, ощущается как полная потеря, но обычно ею не является. В подавляющем большинстве случаев содержимое страниц по-прежнему находится в файле, целое и читаемое, — сломалась лишь та небольшая часть внутреннего учёта, которая сообщает программе просмотра, где начинается каждая страница. Восстановить файл — значит перестроить этот учёт, а не воссоздать документ.

Это руководство объясняет, что ломается в действительности, как отличить восстановимый файл от по-настоящему уничтоженного и как восстановить PDF в браузере, ничего не устанавливая.

Что на самом деле ломается в повреждённом PDF

PDF — не сплошной поток текста, каким бывает обычный файл. Это набор пронумерованных объектов — шрифтов, изображений, описаний страниц, метаданных, — за которым в самом конце файла следует таблица поиска, называемая таблицей перекрёстных ссылок, или xref. Xref хранит точное байтовое смещение каждого объекта. Открывая PDF, программа переходит в конец, читает xref и по ней находит первую страницу.

Такая конструкция быстра, но у неё есть конкретная слабость: указатель расположен в конце и ссылается назад. Если что-то сдвинет положение объектов или если хвост файла так и не дойдёт, все смещения в xref разом становятся неверными. Программа ищет первую страницу по байту 48 213, находит там нечто, не являющееся страницей, и сдаётся. При этом сама страница нисколько не пострадала.

• Сломанная таблица перекрёстных ссылок. Указатель на месте, но его смещения больше не соответствуют действительности. Это самая распространённая форма повреждения PDF, и она почти всегда поддаётся восстановлению.
• Обрезанный файл. Загрузка, скачивание или копирование остановились раньше времени, и последняя часть файла — вместе с xref — так и не дошла. Восстановим до того места, где файл обрывается.
• Повреждённые потоки объектов. Отдельные объекты изменены, обычно программой, которая некорректно записала в файл. Восстанавливается постранично; повреждённые страницы могут потерять форматирование.
• Испорченные встроенные шрифты. Текст присутствует, но шрифт, на который он ссылается, нечитаем, поэтому страницы выглядят пустыми или как квадратики. Обычно исправляется подстановкой стандартного шрифта.
• Недопустимый заголовок. Файл не начинается с %PDF-. Часто это значит, что перед вами вовсе не PDF или что к нему что-то приписали спереди.

Типичные сообщения об ошибках, расшифрованные

Сообщение, которое показывает ваша программа просмотра, — вполне надёжный указатель на то, что пошло не так. Вот те, что встречаются чаще всего:

Последняя строка значит больше, чем кажется. Заметная доля файлов, которые несут в инструмент восстановления, вовсе не повреждена: они защищены паролем, а сообщение программы просмотра просто сформулировано невнятно. Если пароль вам известен, воспользуйтесь инструментом Защитить PDF, чтобы управлять шифрованием файла, вместо попыток его восстановить.

Что можно восстановить, а что нет

Честно обозначить ожидания здесь ценнее оптимизма, потому что это подсказывает, когда пора перестать тратить время на файл и отправиться искать оригинал.

• Почти всегда восстановимо: сломанные таблицы xref, файлы, которые программа отказывается открывать, но которые в остальном полны, PDF, сохранённые программой, аварийно завершившейся посреди записи, и файлы, выглядящие пустыми из-за проблем со шрифтами.
• Частично восстановимо: обрезанные файлы. Вы получаете всё до того байта, на котором файл обрывается, и ничего после. Скачивание, дошедшее до 80%, обычно даёт примерно 80% страниц в целости.
• Редко восстановимо: файлы, в которых сами потоки объектов перезаписаны посторонними данными, например из-за отказывающего диска или умирающей карты памяти. Указатель можно перестроить, но он будет указывать на содержимое, которого действительно больше нет.
• Вообще не задача восстановления: зашифрованные файлы, файлы, которые никогда не были PDF (скажем, расширение .pdf у документа Word), и файлы нулевого размера. Внутри файла в 0 байт восстанавливать нечего.

Три вещи, которые стоит проверить до восстановления

Каждая занимает меньше минуты и каждая решает реальную категорию проблем, не связанную с повреждением:

1. Откройте файл в другой программе просмотра. Программы сильно различаются тем, насколько снисходительны они к некорректно сформированным файлам. PDF, который Adobe Acrobat отвергает наотрез, часто открывается в Chrome или Firefox, которые молча обходят мелкие структурные проблемы. Если он открылся в браузере, распечатайте его обратно в PDF — и у вас чистая копия.
2. Скачайте его заново. Если файл пришёл по сети, простейшее объяснение — сбой передачи. Скачайте повторно и сравните размер с исходным, прежде чем винить сам файл.
3. Убедитесь, что это PDF. Откройте файл в любом текстовом редакторе и посмотрите на первую строку. Настоящий PDF начинается с %PDF-1.4 или похожего. Если вы видите PK, это ZIP или файл Office с неверным расширением; если видите <!DOCTYPE html>, вы скачали страницу ошибки вместо документа.

Восстановить PDF за три шага

Если файл действительно повреждён, восстановление с помощью PdfDocShift занимает три шага. Ни установки, ни регистрации, а каждый загруженный файл безвозвратно удаляется с наших серверов через два часа.

Восстановление сканов и файлов с обилием изображений

Сканированные документы повреждаются иначе, чем текстовые, и их стоит рассматривать как отдельный случай. Сканированный PDF — это контейнер крупных изображений, поэтому гораздо большая доля файла приходится на данные изображений. Отсюда следует, что обрезание стоит вам целых страниц, а не сломанного указателя, и что неполный файл часто заканчивается посреди изображения, оставляя наполовину отрисованную последнюю страницу.

Из этого вытекают две вещи. Первая: восстанавливайте сканированный PDF прежде, чем делать с ним что-либо ещё; применение сжатия или преобразования к повреждённому скану обычно закрепляет повреждение навсегда. Вторая: если восстановленный файл открывается, но текст больше не выделяется, текстовый слой не уцелел — вы можете собрать его заново, пропустив восстановленный файл через OCR PDF, который прочитает изображения и запишет под ними новый слой текста, доступный для поиска.

Если спасённый скан после этого окажется громоздким — восстановление иногда даёт файл больше исходного, поскольку не может повторно использовать сломанные структуры сжатия, — Сжать PDF вернёт его к разумному размеру, не трогая сами страницы.

Как повреждаются PDF и как это предотвратить

Почти все реальные повреждения PDF сводятся к небольшому числу причин, и большинства из них можно избежать:

• Прерванные передачи. Оборвавшееся скачивание, сетевой ресурс, отключившийся посреди копирования, или USB-накопитель, вынутый до завершения записи. Всегда извлекайте съёмные носители штатно и проверяйте размер файлов после крупных передач.
• Правка файла в облаке во время синхронизации. Сохранение поверх PDF, который Dropbox, OneDrive или Google Диск как раз загружает, — надёжный способ получить файл, наполовину старый и наполовину новый. Дождитесь окончания синхронизации, прежде чем открывать файл.
• Аварийное завершение программ при сохранении. PDF, записанный программой, которая неожиданно закрылась, обычно содержит содержимое, но не имеет корректного указателя, — классический восстановимый случай.
• Отправка PDF встроенными вложениями через старые серверы. Некоторые устаревшие почтовые системы до сих пор применяют текстовое кодирование к двоичным вложениям, что портит их в пути. Упакуйте файл в архив перед отправкой, если имеете дело с системой, которой не доверяете.
• Отказывающий носитель. Сбойные секторы и умирающие карты памяти портят файлы бесшумно. Если на накопителе испортился не один файл, проблема в самом накопителе — скопируйте с него всё, прежде чем делать что-либо ещё.

Часто задаваемые вопросы