Aus Notizen ein PDF machen, das Archivierung verdient

Reiner Text hat kein Layout, also muss der Konverter eines erfinden

Man vergisst leicht, wie wenig eine .txt-Datei tatsächlich enthält. Sie ist eine Folge von Zeichen, von denen einige das Zeilenende markieren, und das ist der ganze Inhalt. Eine Seite ist nicht darin, weil es den Begriff Seite nicht gibt. Keine Schrift, keine Größe, kein Rand, kein Einzug, kein Fettdruck, keine Überschrift. Wenn du eine Textdatei ansiehst, scheint sie eine Gestalt zu haben, aber die Gestalt gehört dem Fenster, in dem du sie ansiehst — mach das Fenster schmaler, und die Gestalt ändert sich, denn dein Editor bricht live um und speichert nichts davon.

Ein PDF ist die entgegengesetzte Art von Ding. Es beschreibt genau, wo jedes Stück Text auf einer Seite fester Größe sitzt, weshalb es überall gleich aussieht und sich ohne Überraschungen drucken lässt. Der Weg vom einen zum anderen erfordert also, jede Information zu liefern, die die Textdatei nicht hat. Es gibt keine richtige Antwort darauf, wie sie lauten sollte, nur eine Menge vertretbarer Entscheidungen — und ein Konverter, der seine Entscheidungen verschweigt, ist nicht bescheiden: er hindert dich daran, vorherzusagen, was du bekommst.

Hier sind sie also, aus dem Quelltext gelesen statt geraten. Die Seite ist A4 mit 595,28 mal 841,89 Punkt; ein Punkt ist ein Zweiundsiebzigstel Zoll, das sind also auf zwei Nachkommastellen 210 mal 297 Millimeter — genau die Definition der ISO 216. Der Rand beträgt 56 Punkt auf jeder Seite, rund 19,8 Millimeter, und lässt eine Textspalte von 483,28 Punkt oder 170,5 Millimeter Breite. Der Zeilenabstand ist das 1,42-Fache des Schriftgrads, bei voreingestellten 12 Punkt also 17,04 Punkt. Die erste Grundlinie liegt 68 Punkt unter dem oberen Seitenrand, die letzte etwa 58 Punkt über dem unteren — nahe genug an der Symmetrie, dass es niemandem auffällt. Dreiundvierzig Zeilen passen bei 12 Punkt, 65 bei 8, 47 bei 11, 37 bei 14 und 19 beim Maximum von 28.

Helvetica ist proportional, und das entscheidet, wofür dieses Werkzeug taugt

In einer dicktengleichen Schrift belegt jedes Zeichen denselben waagerechten Raum — die Eigenschaft, die Spalten mühelos fluchten lässt: setze einen Wert in jeder Zeile an die zwanzigste Position, und er erscheint überall an derselben Stelle. Helvetica gehört nicht zu dieser Familie. Gemessen in der Textspalte des Werkzeugs bei 12 Punkt ist ein kleines i 2,66 Punkt breit, 181 davon passen in eine Zeile; ein großes M ist 10 Punkt breit, und nur 48 passen. Das ist ein Verhältnis von fast vier zu eins zwischen dem schmalsten und dem breitesten Zeichen derselben Zeile.

Die praktische Folge ist eindeutig. Alles, dessen Bedeutung von der waagerechten Position abhängt — eine mit Leerzeichen gesetzte Tabelle, ein Protokoll mit ausgerichteten Zeitstempeln, ein Code-Listing mit eingerückten Blöcken, eine Rechnung mit einer Betragsspalte rechts — kommt ausgefranst heraus. Nicht beschädigt, nicht unlesbar, nur eben nicht mehr ausgerichtet — und wer eine Seite davon gesehen hat, will sie nicht ablegen. Prosa dagegen ist genau das, wofür eine Proportionalschrift da ist: bei 12 Punkt kommt ein gemischter Satz auf durchschnittlich 5,58 Punkt je Zeichen, also rund 86 Zeichen je Zeile und knapp 3 700 je Seite, was sich so bequem liest wie jede Textverarbeitung es setzen würde.

Die Schrift zählt aus einem zweiten Grund, der sich erst zeigt, wenn jemand die Datei in zwanzig Jahren öffnet. Helvetica gehört zu den vierzehn Grundschriften, die jeder PDF-Betrachter seit der Veröffentlichung des Formats bereitstellen muss — sie wird also nur namentlich referenziert, ihre Umrisse liegen nicht in der Datei. Deshalb wiegt ein einseitiges PDF aus diesem Werkzeug weniger als ein Kilobyte: es enthält deinen Text, eine Seitenbeschreibung und einen Verweis auf eine Schrift, die der Betrachter bereits besitzen soll. Es stellt sich heute überall dar und wird sich mit ziemlicher Sicherheit auch morgen überall darstellen — aber es ist eine Abhängigkeit von etwas außerhalb der Datei, und darauf kommt es den Archivnormen an. Dazu gleich mehr.

Drei Dinge, die kaputtgehen, und was dagegen zu tun ist

Der Tabulator ist der scharfe Fall, also zuerst. Der Text wird mit einer Ein-Byte-Kodierung ins PDF geschrieben, die für ein Tabulatorzeichen keinen Platz hat, und die Umwandlung überspringt es nicht und macht auch keine Leerzeichen daraus — sie bricht ab. Zu sehen ist die allgemeine Meldung des Werkzeugs, das PDF habe nicht erstellt werden können, ohne jeden Hinweis auf den Grund, und dasselbe gilt für einen Seitenvorschub und für den ganzen Bereich der Steuerzeichen, die eine Protokolldatei oder ein Terminalmitschnitt unbemerkt enthalten kann. Das ist ein Fehler und wird als solcher gemeldet. Bis er behoben ist, kostet der Umweg fünf Sekunden: ersetze vor dem Einfügen in einem Texteditor jeden Tabulator durch zwei, vier oder acht Leerzeichen. Da die Schrift proportional ist, hätten die Spalten ohnehin nicht gefluchtet — durch die Ersetzung geht nichts verloren.

Das zweite ist die Zeile, die zu lang zum Umbrechen ist. Der Umbruch sucht nach Leerzeichen; findet er keines, gibt er auf und schreibt das ganze Wort in eine einzige Zeile, gleich wie breit sie wird. Eine 180 Zeichen lange Webadresse misst bei 12 Punkt 1 177,7 Punkt und endet an der waagerechten Position 1 233,7 auf einer Seite, die nur 595,28 Punkt breit ist — mehr als ein halber Meter liegt also außerhalb des Papiers. Es wird nicht mit Auslassungspunkten gekürzt, nicht in die nächste Zeile umbrochen und nicht gemeldet: es wird schlicht dort gezeichnet, wo es niemand sehen kann. Lange URLs, kryptografische Prüfwerte, kodierte Blöcke und minifizierter Code sind die üblichen Opfer. Trenne sie vor der Umwandlung von Hand an einem Schrägstrich oder Bindestrich, und prüfe den rechten Rand des fertigen PDF, bevor du es ablegst.

Das dritte ist das Zeichen, das die Kodierung nicht fassen kann. Alles bis U+00FF geht durch, was die Akzent- und Umlautbuchstaben aller sechs Sprachen dieser Seite abdeckt — café, naïve, Peña, informação, Straße, città kommen unversehrt an. Alles oberhalb dieses Codepunkts wird durch ein Fragezeichen ersetzt. In der Praxis sind die Opfer genau das, was man beim Einfügen aus einer Textverarbeitung oder einem Chatprogramm mitbringt: typografische Anführungszeichen, typografische Apostrophe, Geviert- und Halbgeviertstriche, das Auslassungszeichen und — ein auf einer europäischen Seite bemerkenswertes Detail — das Zeichen €, das bei U+20AC liegt und nicht überlebt, während das Dollarzeichen und das Pfundzeichen, die tiefer liegen, überleben. Nichtlateinische Schriften gehen vollständig verloren. Tippe Anführungszeichen und Striche als einfaches ASCII, schreibe jede Währung aus, deren Verlust du nicht riskieren kannst, und prüfe die erste Seite.

Was tatsächlich im PDF steckt

Öffne das Ergebnis in einem Betrachter und versuche, einen Satz zu markieren. Er lässt sich markieren, denn der Text in diesem PDF ist Text — eine Folge von Zeichen, auf der Seite platziert, und kein Bild von Zeichen. Diese eine Eigenschaft ist der Unterschied zwischen einer Datei, die man durchsuchen, aus der man kopieren, die man einem Screenreader geben und indexieren kann, und einem Scan, der ein Bild eines Dokuments ist und Texterkennung braucht, bevor ein Rechner irgendetwas damit anfangen kann. Wenn du umwandelst, weil eine Notiz überleben und auffindbar bleiben soll, ist das die wichtigste Eigenschaft — und die trifft dieses Werkzeug richtig.

Was die Datei nicht enthält, ist ebenso wissenswert. Dein Metadatenverzeichnis führt den Namen der Bibliothek, die sie erzeugt hat, und zwei Zeitstempel — den Moment deines Klicks, in Weltzeit. Es gibt keinen Titel, keinen Autor, kein Thema, keine Schlagwörter und keine Sprachangabe. Es gibt auch keinen Strukturbaum, jene Schicht, die einem Screenreader sagt, welcher Text eine Überschrift ist und in welcher Reihenfolge die Seite zu lesen ist — das Dokument ist also nicht getaggt. Und es gibt kein XMP-Metadatenpaket. Jede dieser Auslassungen ist für ein kleines Hilfsprogramm normal und unauffällig, und jede zählt, wenn das Wort Archiv im strengen Sinn gemeint ist.

Dieser strenge Sinn hat einen Namen und ein Regelwerk. PDF/A, normiert als ISO 19005, ist das Format, das Archive und Nationalbibliotheken tatsächlich annehmen, und die Library of Congress fasst zwei seiner Anforderungen in je einer Zeile: alle Schriften müssen eingebettet und für unbegrenzte, universelle Darstellung rechtlich einbettbar sein, und die Verwendung von XMP ist für grundlegende beschreibende und identifizierende Metadaten verpflichtend. Der ganze Sinn, wie die Bibliothek es formuliert, sei, dass PDF/A darauf beschränkt ist, äußere Abhängigkeiten zu vermeiden. Die Ausgabe dieses Werkzeugs scheitert an beidem: sie verweist auf Helvetica, statt sie mitzuführen, und sie führt überhaupt kein XMP. Es ist ein völlig brauchbares PDF. Es ist kein PDF/A, und wenn ein Gericht, ein Archivamt oder eine Compliance-Vorgabe eines von dir verlangt, ist dies nicht der Weg.

Was du selbst ergänzen musst

Für alles unterhalb formaler Archivierung — eine Besprechungsnotiz, ein Entscheidungsprotokoll, eine als Beleg aufbewahrte Terminalausgabe, ein Text, den du einfrieren willst — taugt die Datei, sofern du das, was sie nicht speichern kann, an den einzigen Ort setzt, den sie hat: in den Text. Beginne das Dokument mit vier Zeilen. Worum es geht. Wann es geschah, als vollständiges Datum mit vierstelliger Jahreszahl, damit es nirgends falsch gelesen werden kann. Wer es geschrieben hat. Woher es stammt, sei es ein Systemname, eine Adresse oder eine Person. Diese vier Zeilen kosten nichts und sind der Unterschied zwischen einem Dokument und einem Findelkind.

Benenne dann den Download um. Er kommt bedingungslos und jedes Mal als document.pdf, und es gibt keine schlechtere Gewohnheit für einen Ordner, den du in fünf Jahren durchsehen willst. Ein Name, der sich von selbst sortiert und liest — das Datum zuerst in Jahr, Monat, Tag, dann ein kurzer Betreff, dann die Quelle — macht das Archiv ganz ohne Metadaten navigierbar, was praktisch ist, da die Datei keine trägt. Erzeugst du mehrere Notizen, füge sie zu einem einzigen datierten PDF zusammen, statt Bruchstücke anzuhäufen; und geht das Ergebnis in ein Postfach oder ein Ticket, schick es vorher durch die Komprimierung — auch wenn es bei unter einem Kilobyte pro Seite meist nichts zu komprimieren gibt.

Wisse schließlich, wann Schluss ist. Dies ist das richtige Werkzeug für eine Notiz, ein Protokoll, eine Abschrift, eine Lizenz, einen Schwung Terminalausgaben, einen Schriftwechsel, den du in einer Form einfrieren willst, die niemand nebenbei ändert. Es ist das falsche Werkzeug für alles, was Überschriften, Tabellen, Seitenzahlen, ein Logo, Fettdruck oder eine zweite Spalte braucht — nicht weil es das schlecht könnte, sondern weil es das gar nicht kann, und reinen Text in eine Gestalt zu zwingen, die er nicht hat, ergibt etwas Schlechteres als beides. Dafür schreibe in einer Textverarbeitung und exportiere von dort. Die Tugend dieses Konverters ist, genau ein Versprechen zu geben und es zu halten: deine Zeichen, auf einer Seite, in der Reihenfolge, in der du sie geschrieben hast, in einer Datei, die sich in zwanzig Jahren noch öffnen lässt.

Häufige Fragen

Es heißt, das PDF konnte nicht erstellt werden, ohne Grund. Was ist los?

In fast allen Fällen ist es ein Tabulatorzeichen. Der Text wird mit einer Ein-Byte-Kodierung ins PDF geschrieben, die für einen Tabulator keine Position hat, und statt ihn zu ersetzen oder zu überspringen, bricht die Umwandlung ab und das Werkzeug zeigt seine eine allgemeine Fehlermeldung. Dasselbe gilt für einen Seitenvorschub und für die übrigen Steuerzeichen — deshalb tritt der Fehler bei Protokolldateien, Terminalmitschnitten und aus einem Editor eingefügtem Code, der mit Tabulatoren einrückt, so häufig auf. Der Umweg: den Text in irgendeinem Editor öffnen und vor dem Einfügen jeden Tabulator durch Leerzeichen ersetzen — zwei, vier oder acht, je nachdem, wie du ihn gelesen hast. Dabei geht nichts verloren, denn die Schrift ist proportional und die Spalten hätten ohnehin nicht gefluchtet. Dass die Meldung allgemein bleibt, statt das störende Zeichen zu nennen, ist ein echter Mangel und wurde weitergegeben.

Wo sind mein Zeichen € und meine typografischen Anführungszeichen hin?

Sie wurden auf dem Weg ins PDF durch Fragezeichen ersetzt. Vor dem Zeichnen jeder Zeile entfernt das Werkzeug jedes Zeichen oberhalb von U+00FF, und das Zeichen € liegt bei U+20AC, ebenso wie typografische Anführungszeichen, typografische Apostrophe, Geviert- und Halbgeviertstriche und das Auslassungszeichen, alle in derselben Nachbarschaft. Die Latin-1-Buchstaben mit Akzent und Umlaut liegen unterhalb dieser Grenze und kommen unversehrt durch — deshalb überleben café, naïve, Peña, informação, Straße und città, und deshalb auch das Dollar- und das Pfundzeichen. Die Ersetzung ist breiter als nötig — die vom PDF tatsächlich genutzte Kodierung hat für mehrere der entfernten Zeichen sehr wohl Platz —, das gehört also behoben und wurde gemeldet. Bis dahin: gerade Anführungszeichen und Bindestriche tippen, jede Währung ausschreiben, die du nicht verlieren darfst, und vor dem Ablegen einen Blick auf die erste Seite werfen.

Warum fluchten meine Spalten nicht mehr?

Weil Helvetica eine Proportionalschrift ist und die Ausrichtung, die du hattest, eine Illusion war, erzeugt von der dicktengleichen Schrift deines Editors. In einer dicktengleichen Schrift belegt jedes Zeichen denselben waagerechten Raum, Zeichen zählen ist also dasselbe wie Abstand messen, und aus Leerzeichen gebaute Spalten fluchten von selbst. Helvetica gibt jedem Zeichen seine natürliche Breite: in der Textspalte dieses Werkzeugs passen bei 12 Punkt 181 kleine i in eine Zeile, aber nur 48 große M. Jede Zeile endet daher bei gleicher Zeichenzahl mit anderer physischer Länge, und nichts, was du tippst, ändert das, denn das Werkzeug bietet keine Schriftauswahl. Zählt die Ausrichtung, ist dies für dieses Dokument das falsche Werkzeug — nimm den Text in einen Editor oder eine Textverarbeitung, setze ihn dort dicktengleich und exportiere das PDF von dort. Zählt sie nicht, entferne die Füllleerzeichen und lass den Text Prosa sein.

Wie viele Seiten wird meine Datei ergeben?

Zähle die Zeilen und teile. Bei den voreingestellten 12 Punkt fasst jede Seite 43 Zeilen, ein Protokoll mit 2 000 Zeilen wird also 47 Seiten; bei 8 Punkt fasst eine Seite 65 Zeilen und dasselbe Protokoll wird 31 — ein Drittel gespart. Elf Punkt geben 47 Zeilen je Seite, vierzehn geben 37, das Maximum von 28 gibt 19. Bedenke, dass die Zeilen nach dem Umbruch gezählt werden, nicht die Zeilen deiner Datei: jede Ausgangszeile länger als etwa 86 Zeichen bei 12 Punkt belegt zwei oder mehr, eine Datei aus langen Absätzen ergibt also mehr Seiten, als die rohe Zeilenzahl vermuten lässt. Denkst du lieber in Zeichen: eine volle Seite fasst bei 12 Punkt rund 3 700 in gewöhnlicher Prosa. Das Werkzeug meldet die tatsächliche Seitenzahl neben dem Download-Knopf, sobald die Datei gebaut ist — am billigsten erfährst du es also, indem du einmal umwandelst und hinsiehst.

Ist das ein PDF/A? Kann ich es für rechtliche oder regulatorische Archivierung nutzen?

Nein, und der Grund ist präzise, keine Gradfrage. PDF/A, die Familie ISO 19005, existiert, damit sich ein Dokument in Jahrzehnten darstellen lässt, ohne von irgendetwas außerhalb der Datei abzuhängen. Die Library of Congress nennt zwei seiner Anforderungen unumwunden: alle Schriften müssen eingebettet und für unbegrenzte, universelle Darstellung rechtlich einbettbar sein, und die Verwendung von XMP ist für grundlegende beschreibende und identifizierende Metadaten verpflichtend. Die Ausgabe dieses Werkzeugs erfüllt keine von beiden. Sie nennt Helvetica, statt deren Umrisse mitzuführen, und schreibt überhaupt kein XMP-Paket. Sie erzeugt zudem ein nicht getaggtes Dokument, ohne Strukturbaum, der Hilfstechnologien die Lesereihenfolge nennt. Für eine interne Notiz, eine persönliche Akte oder einen Mailanhang ist nichts davon ein Problem — die Datei ist ein gültiges PDF, das sich sehr lange in jedem Betrachter öffnen lässt. Für eine Gerichtseinreichung, eine Archivabgabe, eine regulierte Aufbewahrungspflicht oder eine Nationalbibliotheksabgabe schick die Ausgabe durch ein eigenes PDF/A-Konvertierungswerkzeug und validiere sie danach, denn selbst Software, die PDF/A zu erzeugen behauptet, liefert häufig Dateien, die die Prüfung nicht bestehen.