PDF/A

Mit dem Paket PDF/A legt Ablago zu jedem Dokument zusätzlich eine Archivfassung ab: ein durchsuchbares PDF/A – das Format für die Langzeitaufbewahrung. Das Original bleibt unverändert das Dokument; die Archivfassung kommt dazu. So nimmt dir Ablago die Umwandlung ab, die sonst irgendwann nötig wird, wenn ein Format oder Programm aus der Mode kommt.

Es läuft im Paket-Läufer von Ablago: abgeschottet, ohne Netz, mit Grenzen für Speicher und Zeit.

Was ist PDF/A – und warum hilft es?

Ein PDF kann vieles enthalten, was ein Programm in zehn oder zwanzig Jahren vielleicht nicht mehr richtig zeigt: Schriften, die nur auf dem Rechner des Absenders lagen, Farben ohne feste Bedeutung, Skripte, Verweise auf Inhalte im Internet. PDF/A ist ein PDF mit strengen Regeln (ISO 19005): Alles, was zum Anzeigen nötig ist, steckt in der Datei selbst – Schriften, Farbprofil, Bilder –, und es gibt nichts, was beim Öffnen etwas ausführt oder nachlädt. Ein PDF/A sieht deshalb auch in vielen Jahren noch genauso aus wie heute. Behörden, Archive und Bibliotheken bewahren Dokumente aus diesem Grund als PDF/A auf.

Das Paket schreibt PDF/A-2b – „b“ heißt: Das Aussehen ist gesichert. Dazu kommt eine unsichtbare Textebene genau auf den Wörtern: Du kannst in der Archivfassung suchen, Text markieren und kopieren, und die Markierung liegt auf dem gedruckten Wort – auch bei Scans und Fotos.

So arbeitet es

1. Ein Dokument kommt in Ablago. Sobald sein Volltext feststeht – bei Scans und Fotos also nach der Texterkennung –, meldet Ablago es dem Paket (Ereignis Archivfassung erstellen). Am Dokument steht so lange „Archivfassung wird erstellt“.
2. Das Paket holt die Wortpositionen (wo jedes Wort auf der Seite steht) und baut daraus das PDF/A:

Dokument	Archivfassung
JPEG (Foto, Scan)	Das Bild kommt unverändert hinein (keine zweite JPEG-Kompression, kein Qualitätsverlust); nur Metadaten wie Aufnahmeort und Gerät (EXIF) fallen weg. Hochkant fotografierte Bilder stehen aufrecht, wie Ablago sie zeigt. JPEG in CMYK und andere seltene Varianten rechnet es in sRGB um.
PNG (Bildschirmfoto, Grafik)	verlustfrei; Durchsichtiges kommt auf Weiß
PDF (Scan, Online-Rechnung, Formular)	jede Seite als Bild mit 300 dpi in Graustufen (ab 51 Seiten 200 dpi, ab 201 Seiten 150 dpi), darüber die Textebene. Formularfelder sind damit eingefroren (die Werte sind zu sehen, ausfüllen lässt sich nichts mehr); JavaScript, Aktionen und Verweise auf externe Inhalte kommen nie mit.
TIFF, WebP, GIF, BMP	aus der Lesefassung des Pakets Bildformate, wie oben

Die Seitengröße kommt bei Bildern aus ihrer Auflösung; fehlt sie oder ist sie kleiner als 100 dpi (Handyfotos schreiben 72 dpi hinein), gilt 300 dpi. 3. Ablago prüft die Archivfassung (PDF, PDF/A-Kennung, nichts Externes), legt sie neben das Original und zeigt sie an: „Ansicht: Archivfassung (PDF/A)“ mit Original anzeigen. Die Historie der Mappe vermerkt sie („JPEG → PDF/A-2b (PDF/A 1.0.0)“). Herunterladen und Weitergeben bieten die Wahl zwischen Archivfassung und Original. 4. Vorhandene Dokumente: Beim Installieren gibt Ablago alle vorhandenen Dokumente mit fertigem Volltext an das Paket. Nach einer neuen Version, einer Änderung am PDF oder Volltext neu erzeugen entsteht die Archivfassung neu. 5. Sicherung: Original und Archivfassung kommen in die Sicherung und in den Vollexport (<Datei>.pdfa.pdf).

Was Ablago selbst erledigt: Verschlüsselte PDFs bekommen keine Archivfassung (der Grund steht am Dokument). Ein PDF, das schon gültiges PDF/A ist, gilt selbst als Archivfassung. Bei digital signierten PDFs entsteht die Archivfassung trotzdem – sie trägt die Signatur nicht, und Ablago zeigt den Hinweis, die Signatur am Original zu prüfen. Bei E-Rechnungen (ZUGFeRD, Factur-X) bleibt die XML im Original; Herunterladen gibt dort das Original zuerst.

Kann das Paket keine Archivfassung bauen, steht der Grund am Dokument und in Werkbank → Texterkennung → Archivfassung (PDF/A), z. B.:

• „Wortpositionen fehlen – Texterkennung aktualisieren (Paket Texterkennung ab 2.2.0) und den Volltext neu erzeugen“: Ein Scan wurde von einer älteren Texterkennung gelesen. Das Paket legt den Text dann nicht ungefähr ab, sondern wartet, bis die Wortpositionen da sind (Texterkennung aktualisieren, dann Werkbank → Wartungsoperationen → Volltext neu erzeugen).
• „Das Dokument ist zu lang für einen Durchgang“, „größer als 100 MB“.

Rechte und Netzwerkzugriff

Bei der Installation zeigt Ablago diese Rechte und lässt sie dich bestätigen:

• Mappen lesen: alle Mappentypen – Dokumente liegen in Mappen beliebiger Typen; die Mappen selbst liest das Paket nicht.
• Dokumente lesen – es liest die Datei, die Seitenbilder und die Wortpositionen. Dokumente ändert, ersetzt oder löscht es nicht.
• Archivfassung (PDF/A) ablegen – das Paket liest Dokumente mit ihrem Volltext und den Wortpositionen und legt daneben ein durchsuchbares PDF/A ab; das Original bleibt unverändert, ändern, ersetzen oder löschen kann es nichts (dms:archivfassung): PDF, JPEG, PNG, TIFF, WebP, GIF, BMP – Ablago gibt diese Dokumente an das Paket und nimmt die Archivfassung an.
• Kein Netz. Alles geschieht im Paket; Farbprofil und Schrift bringt es mit.
• Es reagiert auf Ein Dokument mit fertigem Volltext braucht seine Archivfassung (PDF/A) (datei.archivfassung).

Einstellungen

Unter Werkbank → Pakete → PDF/A → Einstellungen gibt es nur eine:

Einstellung	Standard	Bedeutung
Nur Scans und Bilder	aus	Aus – jedes Dokument bekommt eine Archivfassung, auch PDFs mit Text wie Online-Rechnungen. An – PDFs, die schon auf jeder Seite Text haben, bekommen keine; das spart Platz, aber diese PDFs bleiben dann nur im Original.

Die PDF/A-Stufe ist fest (PDF/A-2b) und nicht wählbar: Sie passt für alles, was ein Haushalt aufbewahrt, und jede weitere Stufe müsste dauerhaft gepflegt und geprüft werden.

Platz und Qualität

• Fotos und Bild-Scans (JPEG, PNG): Die Archivfassung ist kaum größer als das Original (Textebene, Schrift und Farbprofil: einige KB).
• PDFs werden neu als Bild aufgebaut. Bei Scans ist das fast verlustfrei; bei PDFs aus dem Computer (Online-Rechnung, Kontoauszug) wird die Archivfassung größer als das Original (je Seite etwa 100–400 KB statt weniger KB), etwas unschärfer als die Vektorschrift und grau statt farbig – die Seitenbilder liefert Ablago nur in Graustufen. Der Text bleibt über die Textebene genau durchsuchbar, und das Original bleibt daneben erhalten. Wer Platz sparen will, schaltet „Nur Scans und Bilder“ ein.

Gemessen am 03.11.2026 auf amd64 mit 2 Kernen, Node 22, mit den erfundenen Testdateien aus tests/beispiele.py (node tests/modul_test.mjs <ordner> --messen; bei PDFs mit dem Rendern der Seiten durch Poppler wie in Ablago):

Dokument	Original	Archivfassung	Zeit	Speicher
Foto, JPEG 1240 × 1754	84 KB	88 KB	0,01 s	3 MB
CMYK-JPEG 620 × 877 (umgerechnet)	86 KB	25 KB	0,1 s	6 MB
PNG 1240 × 1754, Graustufen	28 KB	31 KB	0,1 s	13 MB
Online-Rechnung, 2 Seiten A4 (wenig Text)	1 KB	181 KB	0,5 s	29 MB
Scan-PDF, 2 Seiten A4	97 KB	178 KB	0,7 s	29 MB
PDF mit 60 Seiten (200 dpi)	23 KB	1,7 MB	7,3 s	50 MB

Das Modul ist 0,5 MB groß.

Grenzen

• Eine Archivfassung entsteht in einem Aufruf des Läufers (höchstens 100 Sekunden) – ein halbes PDF lässt sich nicht als Zwischenstand weitergeben. Sehr lange PDFs (mehrere hundert Seiten) bekommen deshalb unter Umständen keine; der Grund steht am Dokument.
• Höchstens 1000 Seiten und 100 MB je Archivfassung (Grenze von Ablago); Bilder, die das Paket dekodieren muss (PNG, CMYK-JPEG), höchstens 20 Millionen Bildpunkte.
• Seiten von PDFs nur in Graustufen (siehe oben).
• Scans brauchen die Wortpositionen der Texterkennung – das Paket Texterkennung ab 2.2.0. Bei sehr langen Scans (über etwa 150 dicht beschriebene Seiten) schickt die Texterkennung sie nicht für alle Seiten; dann gibt es keine Archivfassung.

Voraussetzungen

• Ablago 0.149.0 oder neuer (Schnittstelle „Archivfassung ablegen“, dms:archivfassung).
• Für Scans und Fotos: das Paket Texterkennung 2.2.0 oder neuer (Wortpositionen). Ohne Text bekommt ein Scan keine Archivfassung.
• Für TIFF, WebP, GIF und BMP: das Paket Bildformate.

Warum so gebaut? (Werkzeug und Lizenz)

Das Paket bringt einen eigenen kleinen PDF/A-Schreiber mit (code/pdfa.h, gut 400 Zeilen): je Seite ein Bild, darüber unsichtbarer Text (Darstellungsart 3) an den Wortpositionen, XMP-Metadaten mit der PDF/A-Kennung, OutputIntent mit eingebettetem sRGB-Profil, eingebettete Schrift, Dokument-ID.

• Kein Ghostscript, kein MuPDF: beide stehen unter AGPL-3.0 und passen nicht zu einem Paket unter Apache-2.0; Ghostscript wäre als WebAssembly zudem viel größer als die Grenze von 32 MB.
• Keine „Bereinigung“ des Original-PDFs (wie mit qpdf): Ein beliebiges PDF wird erst PDF/A, wenn man Schriften nachbettet, Farben umrechnet, Transparenz und Formulare auflöst – das geht nur mit einem vollständigen PDF-Renderer. Das Rastern über das Seitenbild von Ablago (Poppler, im Kern ohnehin da) ergibt für jedes PDF eine gültige Archivfassung, ohne Rendering im Paket.
• Schrift der Textebene: GlyphLessFont aus Tesseract (Apache-2.0, 572 Bytes) – eine Schrift ohne sichtbare Zeichen; die Breite jedes Worts stellt die horizontale Skalierung ein, so liegt die Markierung genau auf dem Wort.
• Farbprofil: sRGB aus Compact-ICC-Profiles (CC0-1.0, 736 Bytes, ICC v2).

Die Konformität prüft veraPDF (Profil PDF/A-2b) in der CI an allen Testdateien (tests/verapdf.sh, feste Version mit Prüfsumme); im Paket selbst steckt veraPDF nicht.

Für Entwickler

Datei	Inhalt
code/pdfa.cpp	das Modul (Ablago-Paket-ABI 1): Ereignis → schon vorhanden? → Wortpositionen → Bild bzw. Seitenbilder über die API → PDF/A → PUT /dokumente/{id}/archivfassung
code/pdfa.h	ohne Bibliotheken außer zlib: PDF/A-2b schreiben (Seite für Seite), Textebene, JPEG-Kopf lesen und Metadaten entfernen, EXIF-Ausrichtung, PNG-Prädiktoren; Test in tests/pdfa_test.cpp
code/bauen.sh	Bau: zlib 1.3.1, libjpeg-turbo 3.1.2 und stb_image aus den Quellen (feste Commits, wie im Paket Bildformate), Schrift und Farbprofil mit Prüfsumme nach code/daten/
code/lizenzen/	Lizenztexte der Bibliotheken und Daten
tests/	beispiele.py (erfundene Testdateien und Prüfung: Seiten, jedes Wort an seiner Stelle, qpdf), modul_test.mjs (das Modul mit einer Nachbildung von Ablago), verapdf.sh (veraPDF, PDF/A-2b), ci.sh (CI), pruefen.sh (alles lokal)

WASI_SDK=$(werkzeuge/wasi-sdk.sh) python3 werkzeuge/bauen.py pakete/pdfa   # beim ersten Mal einige Minuten
pakete/pdfa/tests/pruefen.sh                                               # bauen und alle Tests (mit veraPDF, braucht Java)

Die Schnittstelle beschreibt das Entwicklerhandbuch von Ablago unter Archivfassung ablegen.

Lizenz

Apache-2.0 (siehe LICENSE). Im Modul und in code/daten/ stecken fremde Bibliotheken und Daten; ihre Lizenztexte liegen unter code/lizenzen/:

Bibliothek / Daten	Version	Lizenz
libjpeg-turbo	3.1.2	IJG und BSD-3-Clause – libjpeg-turbo.md, libjpeg-turbo-ijg.txt
zlib	1.3.1	Zlib – zlib.txt
stb_image	2.30	MIT oder Public Domain – stb.txt
GlyphLessFont (tessdata/pdf.ttf aus Tesseract)	5.5.1	Apache-2.0 – glyphless-font.md
sRGB-Profil (sRGB-v2-magic.icc aus Compact-ICC-Profiles)	Commit bdd8466	CC0-1.0 – srgb-icc-cc0.txt

Diese Software beruht teilweise auf der Arbeit der Independent JPEG Group. – This software is based in part on the work of the Independent JPEG Group.