Kial ni preferas PDF/A-2u

Ĉe BitArkivo ni ne nur kolektas skanaĵojn de Esperanto-gazetoj: ni ankaŭ decidas, en kiu formato tiuj skanaĵoj longtempe vivos. Nia preferata eligo por la dokumenta objekto, kiun legantoj elŝutas kaj serĉas, estas PDF/A-2u.

Kion PDF/A alportas

PDF/A estas speciale desegnita por longtempa konservado. Se per «resilienco» ni celas, ke dokumento restu interpretebla kaj reproduktebla post jardekoj, PDF/A estas bona elekto — sed ne ĉiu PDF/A estas aŭtomate la plej fortika.

PDF/A malpermesas (aŭ forte limigas) funkciojn de «ordinara» PDF, kiuj ofte kaŭzas problemojn poste:

• tiparojn, kiuj ne estas enmetitaj;
• eksterajn dependecojn (eksteraj tiparoj, ligitaj dosieroj, foraj rimedoj);
• multmedian enhavon;
• ĉifradon / pasvortojn;
• certajn formojn de JavaScript;
• rimedojn, kiuj povus malaperi de la reto.

La ideo estas, ke la dokumento estu memstara: oni povu malfermi kaj legi ĝin sen dependi de servoj aŭ programoj, kiuj eble ne plu ekzistos.

Formato	Uzo
PDF/A-1	Konservado, tre konservativa
PDF/A-2	Konservado + modernaj trajtoj de PDF 1.7
PDF/A-3	Kiel A-2, sed permesas kunmeti arbitrajn dosierojn
PDF/A-4	Bazita sur PDF 2.0 — la plej «nova» familio

Por historia, skanita gazeto PDF/A-2 estas kutime la plej racia elekto.

Kial PDF/A-2, ne PDF/A-4

Inter PDF/A-2 kaj PDF/A-4 ni elektas PDF/A-2, kiam ni volas maksimuman kongruecon kaj konservativan, maturajn normon.

	PDF/A-2	PDF/A-4
Bazita sur	PDF 1.7	PDF 2.0
Matureco	Tre alta	Pli freŝa
Softvara subteno	Tre vasta	Pli malvasta
Konservado	Bonega	Bonega
Skanaĵoj / bildoj	Jes	Jes
OCR	Jes	Jes
Por hemeroteko	Jes	Jes, se via ekosistemo jam vivas en PDF 2.0

Ni ne elektas PDF/A-4 nur ĉar ĝi estas «pli nova». En cifereca konservado, pli nova ne nepre signifas pli rezistema: gravas la stabileco de la normo kaj la ekosistemo de iloj, kiuj povas ĝin interpreti post dek aŭ dudek jaroj.

Kial la litero «u»: PDF/A-2u

Ene de la familio A-2 ekzistas niveloj. Por BitArkivo:

• PDF/A-2b — prioritato: konservi la videblan aspekton kiel la originalo.
• PDF/A-2u — same, kaj la teksto havas ĝustan mapadon al Unikodo, por serĉo kaj eltiro.

Ni preferas PDF/A-2u, ĉar nia arkivo ne estas nur «bildaro»: legantoj serĉas en Esperanto (kaj ofte ankaŭ en aliaj lingvoj). Sen Unikoda teksta tavolo, OCR-teksto povas aspekti ĝuste sur la ekrano, sed rompiĝi ĉe kopiado, indekso aŭ eltiro — aparte ĉe literoj kiel ĉ, ĝ, ĥ, ĵ, ŝ, ŭ.

Do: 2 = maturaj PDF-1.7-trajtoj kaj vasta softvara subteno; u = Unikodo por serĉebleco kaj longtempa teksta aliro.

Solida arkitekturo (ne nur PDF)

PDF/A-2u estas nia dokumenta objekto por la reto, sed ne la sola majstro:

MASTER
  TIFF / JP2
     │
     ├── OCR (ekz. ALTO XML)
     │
     └── METADATA
           │
           ▼
       PDF/A-2u
           │
           ▼
     Retejo / BookReader

La majstraj bildoj (TIFF aŭ JPEG 2000) restas la fonto de vero. La PDF/A-2u kunigas bildojn, OCR-tekston kaj metadatumojn (fonto-institucio, kataloga id, OCR-recepto…) en unu transporteblan dosieron — por elŝuto, serĉo kaj legado. Se post kvin jaroj OCR pliboniĝas, oni povas regeneri la PDF el la majstroj, sen perdi la skanaĵon.

Tio validas ankaŭ por kolektoj kiel

El BitArkivo: La Suda Kruco

Organo de la aŭstraliaj esperantistoj

1920–1934 · Aŭstralio (AU)

: la PDF, kiun vi malfermas, estas la publika objekto; la longtempa fortikeco kuŝas en la tavoloj (majstro + OCR + metadatumoj + PDF/A).

Resumo

1. PDF/A — memstara, sen danĝeraj dependecoj.
2. A-2 — maturaj, vaste subtenataj; ne ĵetiĝu al A-4 nur pro «noveco».
3. u — Unikoda tekstomapado por serĉo kaj eltiro (esenca por Esperanto).
4. Ne sola majstro — TIFF/JP2 + OCR + metadatumoj; PDF/A-2u estas la dokumenta eligo.

Tiel BitArkivo celas, ke la gazetoj restu legeblaj, serĉeblaj kaj reprodukteblaj — hodiaŭ kaj post jardekoj.