Как восстановить повреждённый PDF

Файл, который вчера открывался, сегодня выдаёт ошибку. Или не открывается ни в одной программе, включая ту, которая его создала. Часть таких файлов чинится за минуту, часть не чинится вообще, и разница между этими случаями видна заранее — если знать, куда смотреть.

Почему файл не принимают другие инструменты

Здесь есть особенность, о которой стоит знать до всего остального. При загрузке любого PDF проверяется не только заголовок файла, но и наличие в нём метки конца документа. Файл, который начинается как PDF, но обрывается на середине, отклоняется сразу с сообщением о том, что документ обрезан или неполон.

Из этой проверки сделано ровно одно исключение — repair-pdf. Он для того и существует, чтобы работать с файлами, которые не проходят входной контроль. Поэтому последовательность действий обратная привычной: если файл не принимается ни одним инструментом, это не повод искать другой сервис, это указание идти в восстановление.

То же самое с паролем. Восстановление не требует, чтобы файл открывался, но требует, чтобы он не был зашифрован: документ под паролем на открытие остановит задачу с прямой просьбой сначала снять защиту через unlock-pdf. А вот файл, который просто не разбирается, в работу берётся.

Два режима, и разница между ними принципиальная

Режимов ровно два, и это не «слабее и сильнее». Это два разных способа получить файл, и второй жертвует содержимым ради того, чтобы результат гарантированно открылся.

Второй режим стоит понимать буквально. Он не пытается спасти объекты документа — он их выбрасывает. Страницы отрисовываются в изображения с удвоенным разрешением, и из этих изображений собирается новый файл. Открывается такой документ всегда, потому что внутри нет ничего, кроме картинок.

Что показал замер на сломанном файле

Взят четырёхстраничный документ на 4 КБ, в нём испорчена таблица перекрёстных ссылок — то самое внутреннее оглавление файла, по которому программа находит объекты.

Повреждение именно этой таблицы даёт самый частый сценарий отказа. Сами страницы, шрифты и картинки в файле целы, но указатель на них врёт, и программа не может добраться до содержимого. Отсюда и высокая доля успешных починок: восстанавливать нужно не документ, а способ его найти.

Разница между первой и третьей строкой — стосемидесятикратная по весу и полная по содержимому. Попытка вытащить текст из агрессивного результата возвращает пустоту: букв там нет, есть пиксели, которые выглядят как буквы.

Тот же документ, у которого отрезали последние полтора процента вместе с меткой конца, безопасный режим восстановил целиком — все четыре страницы с текстом. Это к вопросу о том, насколько часто нужен второй режим.

Порядок восстановления

1. Откройте repair-pdf и загрузите файл. Ошибка о неполном документе здесь не появится. 2. Оставьте безопасный режим. Он стоит по умолчанию, и начинать нужно с него. 3. Оставьте включённой пересборку и сжатие. 4. Запустите обработку и скачайте результат. 5. Откройте файл и попробуйте выделить текст, а не просто посмотреть на страницу. 6. Только если ничего не вышло, вернитесь и повторите в агрессивном режиме.

Пятый пункт важнее, чем кажется. Документ, который открылся и выглядит правильно, ещё не восстановлен: проверять надо выделение и поиск, потому что именно они отличают починенный документ от красивой картинки.

Что делает переключатель пересборки

В безопасном режиме есть отдельный флажок пересборки и сжатия, включённый по умолчанию. Он управляет тем, переписываются ли потоки страниц заново или переносятся как есть.

На замере выше включённая пересборка дала 3,6 КБ против 4,1 КБ — примерно на десятую часть меньше. На больших документах разрыв заметнее, и дело не столько в экономии, сколько в чистоте: заново собранный файл не тащит за собой остатки старой структуры, из-за которых он и не открывался в некоторых программах.

Выключать его имеет смысл в одном случае: если после починки с пересборкой что-то в документе выглядит не так. Тогда повторный прогон без неё покажет, виноват ли этот шаг.

В агрессивном режиме флажок не действует — там документ собирается с нуля в любом случае.

Что происходит ещё до того, как вы нажали кнопку

У сервиса есть встроенная страховка, которая работает во всех инструментах, а не только в восстановлении. Если файл не разбирается при первом открытии, автоматически делается одна попытка починки другим движком: документ пересохраняется с чисткой мусорных объектов, и если после этого он читается, обработка продолжается как ни в чём не бывало.

Практическое следствие: часть слегка битых файлов чинится сама собой при любой операции, и вы об этом не узнаете. Отдельно идти в восстановление имеет смысл тогда, когда эта автоматика не справилась и задача остановилась с сообщением о невозможности прочитать файл.

Помогает эта автоматика чаще всего с файлами из инженерных и чертёжных программ: они бывают формально правильными, но с полями такой длины, что обычный разборщик отказывается их читать.

Чего восстановление не умеет

Оно не возвращает данные, которых нет. Если файл обрезан при скачивании и половина страниц физически отсутствует, ни один режим их не придумает: пересобирается структура вокруг уцелевшего, и результат будет короче исходника.

Проверить это просто — посмотрите на число страниц в результате. Если их меньше, чем должно быть, недостающее потеряно, и дальше искать нужно исходник или копию, а не настройки.

Оно не различает и степень повреждения заранее. Предсказать по виду файла, поддастся ли он, нельзя: смотреть надо на результат, а не на исходник.

Оно также не чинит содержимое страницы. Если повреждены сами потоки или встроенные шрифты, документ откроется, но текст останется нечитаемым. В этой ситуации агрессивный режим неожиданно полезен: он зафиксирует то, что программа всё-таки может отрисовать, и превратит это в стабильный файл. Обратно в текст его можно вернуть распознаванием через ocr-pdf — качество будет хуже оригинала, но лучше отсутствия.

И последнее про вес. Агрессивный результат тяжёл, потому что состоит из изображений. Если такой файл нужно куда-то отправлять, прогоните его через compress-pdf: для документов из картинок сжатие работает лучше всего.