Información de PDF: mirá qué hay adentro de un PDF

Qué hay realmente adentro de un archivo PDF

Un PDF es una bolsa de objetos numerados —diccionarios, arreglos, números, cadenas y flujos de bytes comprimidos— seguida de una tabla de referencias cruzadas que anota el desplazamiento en bytes de cada uno, y de un tráiler que apunta al catálogo del documento. El catálogo apunta a un árbol de páginas, el árbol enumera las páginas, y cada página apunta a su flujo de contenido y a sus recursos. Nada se guarda en orden de lectura y nada se guarda como una foto de la página. El lector salta por el archivo usando desplazamientos, y por eso un manual de 900 páginas puede abrirse en la página 900 sin decodificar las 899 anteriores.

Ese diseño es también el punto débil del formato. Cuando los desplazamientos de la tabla están mal —y los escáneres, los rellenadores de formularios y las bibliotecas de exportación baratas los escriben mal bastante seguido—, un lector estricto declara el archivo roto mientras los objetos siguen ahí, intactos. Esta herramienta reconstruye el índice recorriendo el archivo en busca de cabeceras de objeto cuando la tabla no sirve, y te avisa cuando tuvo que hacerlo. Ese archivo igual abre en casi cualquier lector, pero volvé a guardarlo desde una aplicación de PDF antes de mandarlo a algún lado que importe.

Por qué los tamaños de página son lo más útil de acá

La geometría de la página se guarda en puntos, y un punto es 1/72 de pulgada. US Letter es 612 × 792 y A4 es 595.28 × 841.89: los decimales incómodos son lo que dan 210 × 297 milímetros. Esos números no son una sugerencia para la impresora; son la página. Un documento con 119 páginas A4 y una Letter se imprime como 119 páginas correctas y una que sale escalada, corrida o desde otra bandeja, y nadie sabe cuál fue.

Por eso esta herramienta agrupa las páginas consecutivas en rangos. Un rango se corta donde cambia el tamaño, la orientación o el recorte, y se marca toda página cuyo tamaño de hoja no coincide con el de la mayoría. Una sola línea que dice "1–240, A4" es un documento que se va a imprimir de forma predecible. Seis líneas son un documento cosido a partir de varias fuentes, y ahí están las costuras.

¿Por qué una página tiene un MediaBox y también un CropBox?

Cada página lleva un MediaBox: la hoja completa, de esquina a esquina, en puntos. La mayoría lleva además un CropBox, la región que el visor muestra y que la impresora imprime. Normalmente son idénticos. Cuando no lo son, alguien recortó la página, y recortar un PDF casi nunca elimina nada. El contenido que queda fuera del CropBox sigue en el archivo, sigue siendo seleccionable por cualquier herramienta que ignore la caja, y sigue visible para quien vuelva a agrandar el recorte. Si recortaste un PDF para tapar algo, un CropBox más chico que el MediaBox es el aviso de que no lo tapaste. La caja de recorte se muestra acá cada vez que es más chica que la hoja. Un CropBox más grande que el MediaBox está mal formado y no cambia nada —el lector muestra la parte en la que los dos coinciden—, así que no se informa como recorte.

¿Por qué la rotación son metadatos y no píxeles?

Una página girada de costado no se vuelve a dibujar. El contenido queda tal cual estaba y la página gana una entrada de rotación de 90, 180 o 270 grados, que todos los lectores aplican al mostrarla. Por eso enderezar un escaneo de 400 MB es instantáneo y sin pérdida, y también por eso alguna impresora terca ignora la entrada e imprime la página como estaba guardada. Los tamaños que ves acá ya tienen la rotación aplicada, así que muestran la forma con la que la página se presenta, no la forma con la que fue dibujada. Una página girada no cuenta a propósito como un tamaño de hoja distinto: pasa por la impresora en el mismo papel, y marcarla taparía la página que sí está mal.

Creator, Producer y a cuál creerle

Hay dos campos de metadatos que se confunden todo el tiempo. Creator es el programa donde se escribió el contenido: Word, InDesign, el software de un escáner. Producer es la biblioteca que escribió los bytes del PDF. Producer suele ser el más informativo de los dos: te dice si el archivo salió de Acrobat Distiller, de Ghostscript, de un "imprimir a PDF" del navegador o de un script de Python, y eso te dice qué esperar del archivo. Las fechas se guardan como cadenas de fecha de PDF, del estilo D:20240115103000+01'00', y acá se muestran en formato ISO, con el huso incluido. Todo eso es texto libre escrito por lo que haya producido el archivo, así que leelo como una afirmación, no como un hecho.

Qué no te puede decir esta herramienta

• No abre un PDF protegido con contraseña. Los archivos cifrados se rechazan, no se esquivan. Sacale la contraseña en la aplicación que hizo el archivo y después volvé.
• No dibuja las páginas. No hay vista previa, porque dibujar una página de PDF necesita un motor de fuentes y un rasterizador: alrededor de un megabyte de código que tendría que descargar todo el que abre esta página.
• No extrae texto, fuentes ni imágenes, y no puede decirte por qué un archivo pesa tanto. Informa el tamaño, no un desglose del tamaño.
• Lee el diccionario Info clásico, no XMP. Muchos archivos modernos llevan un segundo bloque de metadatos en XMP y a veces los dos no coinciden, así que un título que acá aparece vacío puede seguir existiendo en XMP.
• La versión que se muestra es la de la cabecera del archivo. El catálogo del documento puede sobrescribirla, y esa sobrescritura no se lee.
• La vista web rápida se lee del principio del archivo. Si alguien guardó cambios encima de un PDF linealizado, la marca sobrevive pero la disposición no, así que un sí acá significa "se construyó así" y no "sigue estándolo".

Todo lo de arriba pasa en la página que estás mirando. El PDF se lee con la API de archivos del propio navegador, no se manda nada a ningún lado, y la herramienta sigue funcionando con la red desconectada.

Última actualización 19 de septiembre de 2026