Тегированный pdf

Тегированный pdf.

1 Общая информация

• Тегированный pdf (tagged pdf) есть PDF-файл, содержащий специальную скрытую разметку (теги), которая описывает логическую структуру документа: заголовок, абзац, список, таблица, подпись к рисунку и т.д.
• Тегированный PDF делает документ машиночитаемым.

2 Аналогия

• Обычный HTML (веб-страница).
  • Вы видите заголовок <h1>, абзац <p>, список <ul>.
  • Броузер понимает структуру.
• Обычный PDF (скан или печать).
  • Картинка с текстом.
  • Уровень синтаксиса.
• Тегированный PDF.
  • Как HTML внутри PDF.
  • У текста есть теги <H1>, <P>, <L>.
  • Уровень семантики.

3 Структура

• Внутри тегированного PDF есть иерархическое дерево тегов (аналогично DOM-дереву в вебе):
  • Элементы структуры (Structure Elements).
    • <Document>, <Part>, <Sect>, <H1>…=<H6>=, <P>, <L> (список), <LI> (элемент списка), <Table>, <Figure>.
  • Атрибуты.
    • Язык текста, альтернативный текст для картинок (Alt), язык документа.
  • Порядок чтения.
    • Теги располагаются в том порядке, в котором логически нужно читать контент.

4 Зачем это нужно

4.1 Доступность

• Например, для чтения pdf программами для слепых и слабовидящих людей.

4.2 Переформатирование на маленьких экранах

• Совершенствование технологии reflow для тегированного pdf.

4.3 Корректное копирование текста

• Не захватится текст из соседней колонки.
• Сохранятся переносы строк.
• Не выпадут подписи к рисункам.

5 Разница с обычным pdf