PDF/UA-2 Structure Authoring, Validation, and Repair

HotPDF can build, validate, and atomically repair mixed PDF 1.7 and PDF 2.0 structure semantics while preserving explicit namespace identity and bounded processing cost

Namespace-aware authoring

AddStructureElement assigns the PDF 2.0 standard structure namespace when a PDF/UA-2 role requires it, including the mandatory top-level Document element

AddStructureElementNS creates explicitly namespaced elements and AddStructRoleMapNS adds name or two-item array mappings that may resolve transitively across namespace boundaries

Namespace dictionaries are indirect, registered once by URI, and emitted through StructTreeRoot/Namespaces

Attributes and semantic helpers

Bounded one-pass validation

ValidatePDFUA2Structure returns every retained diagnostic in a THPDFUA2ValidationIssues array and returns False when at least one diagnostic has uisError severity

The validator resolves namespace-aware role maps with cycle detection and checks the top-level document, parent-child hierarchy, parent backlinks, attribute owners and revisions, annotation StructParent, parent-tree and OBJR ownership, associated files, headings, lists, tables, Ruby, Warichu, pronunciation hints, formulas, and MathML

Table validation expands positive row and column spans only within

Verificările de adnotări acoperă ordinea tab-urilor paginii, proprietatea și rolurile structurii, descrierile, stările de artifact, referințele de conținut marcat ale fluxurilor de aspect, echivalența conținutului bogat, relațiile de fișiere și subtipurile interzise

Verificările de formulare acoperă identitatea accesibilă a câmpurilor, proprietățile de câmp moștenite, contextul și proprietatea widget-urilor, etichetele, acțiunile alternative, valorile bogate, opțiunile choice, widget-urile de arie zero, câmpurile multi-widget și interdicția XFA

Verificările de navigare acoperă destinațiile de structură cu precedență SD, marcajele, descrierile fișierelor încorporate, arborii numerici imbricați de etichete de pagină, indicele de pagină zero obligatoriu, stilurile de etichete și numerele de început valide ale etichetelor

Validarea tabelelor extinde span-urile pozitive de rânduri și coloane doar în interiorul MaxObjects, rejects intersecting cells and irregular row or row-group geometry, resolves Headers within the owning table, detects duplicate, self, and cyclic header references, and accepts implicit associations only when Scope or first-row and first-column placement determines them

List validation recognises the complete PDF 2.0 ListNumbering set, enforces label semantics, checks ContinuedList and ordered same-level ContinuedFrom references, and rejects continuation cycles or direct real content outside Lbl and LBody

Ruby children must be RB,RT or RB,RP,RT,RP, Warichu children must be WP,WT,WP, pronunciation entries retain their PDF object types, and every pronunciation lexicon must be an indirect embedded PLS Filespec

Indirect-object scanning, traversal depth, role-map depth, expanded table cells, retained issue count, and hostile collection processing are bounded so validation remains predictable for untrusted structure trees

Shared compliance findings

The THPDFComplianceFindings validation overload returns the same diagnostics with a shared profile, severity, stable rule ID, standard clause, logical path, indirect object number, and zero-based page index

The detailed repair overload compares bounded pre-repair and post-repair findings to identify applied, unresolved, rolled-back, or failed repair actions and appends counted repair-family summaries

ComplianceFindingsToJSON preserves deterministic order under the versioned hotpdf.compliance.findings.v1 schema and represents unknown object or page locations as null

Atomic structure repair

RepairPDFUA2Structure runs inside a copy-on-write graph transaction, canonicalises duplicate or unregistered namespace dictionaries, rewrites structure and role-map namespace references, repairs standard structure namespaces, normalises structure attribute namespaces and revisions, and repairs deterministic list, table, Ruby, Warichu, pronunciation, alternate-text, language-inheritance, heading-order, and Artifact-tag defects

After mutation the same validator checks the candidate graph, and the default policy rolls back every change when any PDF/UA-2 error remains

• URI-urile de namespace duplicate se colapsează într-un singur dicționar indirect doar când mapările lor de rol conștiente de namespace sunt de acord
• Valid referenced namespaces can be registered without repeatedly scanning the structure tree
• Proprietarii standard de atribute elimină intrările invalide de namespace, în timp ce proprietarii personalizați cer un CustomAttributeNamespaceURI explicit când namespace-ul lor nu poate fi inferat
• Reviziile negative sau fracționare de element devin zero, reviziile invalide de tablou de atribute devin zero, iar intrările de revizie orfane sunt eliminate
• Numerotarea recunoscută a listei este restaurată, listele cu etichete primesc o semantică de numerotare non-None, referințele valide de continuare primesc ContinuedList=true, iar o singură legendă plasată greșit se mută pe prima poziție
• Întinderile de tabel invalide devin unu, Scope este eliminat din celulele de date, iar intrările Headers invalide, între tabele, proprii sau duplicate sunt eliminate fără a inventa asocieri de înlocuire
• Copiii Ruby și Warichu sunt reordonați doar când multisetul exact cerut există deja
• Wrongly typed pronunciation hints are removed, invalid lexicon references are pruned, and valid embedded lexicon streams receive the PLS MIME subtype
• Valorile Alt lipsă folosesc un titlu existent, text de expansiune sau text extras cu același MCID înainte de orice soluție de rezervă furnizată de apelant, iar implicitul gol nu inventează niciodată descrieri
• O limbă BCP-47 validă de rădăcină sau furnizată de apelant poate deveni limba Catalogului, astfel încât intrările descendente redundante sau invalide să moștenească în siguranță
• Defectele de prim titlu și de nivel sărit sunt închise în ordinea documentului, cu începuturi de titlu independente opționale în interiorul DocumentFragment
• Rolurile de structură Artifact sunt aliniate cu etichetele lor de conținut marcat în conținutul paginii producătorului și în fluxurile de conținut încărcate
• Geometria ambiguă a tabelului, copiii semantici lipsă, identificatorii conflictuali și semantica de citire nerezolvată rămân erori și declanșează anularea implicită
• MaxObjects și MaxRepairs eșuează în siguranță înainte ca grafurile nesigure să poată forța o muncă nelimitată

Validation policy

Start with THPDFUA2ValidationOptions.Default and change only the workflow-specific decisions

THPDFUA2HeadingPolicy selects heading treatment, THPDFUA2IssueSeverity distinguishes warnings from errors, and each THPDFUA2ValidationIssue carries a stable code, structure path, severity, and message

• HeadingPolicy poate ignora nivelurile sărite, le poate reține ca avertismente sau poate cere niveluri secvențiale
• AllowDocumentFragmentHeadingStarts resetează contextul titlurilor în interiorul DocumentFragment
• RequireListLabels cere un
• CheckHumanReadableStrings respinge caracterele Unicode de uz privat din șirurile de document destinate utilizatorului
• CheckAnnotationSemantics activează verificările de proprietate, de rol, de aspect, de descriere și de fanioane ale adnotărilor
• CheckFormSemantics activează verificările AcroForm, de câmp, de widget, de valoare, de etichetă, de acțiune și de opțiuni
• CheckNavigationSemantics activează verificările de destinații de structură, de marcaje și de etichete de pagină
• RequireListLabels cere un Lbl pentru elementele de listă numerotate
• RequireExplicitTableHeaderAssociations raportează celulele de date care se bazează doar pe inferența domeniului de antet
• CheckListSemantics activează verificările complete PDF 2.0 pentru numerotare, continuare, legendă, etichetă, corp și plasarea conținutului
• CheckTableSemantics activează verificări limitate pentru grilă, întindere, grup de rânduri, domeniu de antet și asocieri locale tabelului
• CheckRubyWarichuSequences activează verificări exacte ale secvențelor de copii direcți pentru structurile inline din Asia de Est
• CheckPronunciationHints activează verificările de indicii de structură și de lexic PLS încorporat
• RequireStructureAssociatedFiles cere ca fiecare fișier asociat catalogului să fie accesibil dintr-un element de structură
• RequireFormulaTextAlternative cere alternative de text pentru formule, cu excepția cazului în care este prezent MathML asociat
• MaxObjects limitează scanarea obiectelor indirecte înainte de începerea traversării
• MaxIssues limitează diagnosticele reținute fără a ascunde rezultatul final de succes sau eșec

Recommended workflow

1. Activați PDFUACompliance, selectați PDFUAPart = 2 și setați Lang înainte de BeginDoc
2. Creați un Document de nivel superior și construiți copii semantici cu roluri standard sau explicit cu namespace
3. Înregistrați adnotările și fișierele asociate prin ajutoarele lor de structură, scrieți indiciile de pronunție cu SetStructurePronunciation și adăugați fișiere PLS în ordinea dorită de căutare cu AddPronunciationLexicon
4. Rulați ValidatePDFUA2Structure înainte de EndDoc când aplicația are nevoie de toate diagnosticele deodată, apelați RepairPDFUA2Structure pentru reparații deterministe de namespace, structură și accesibilitate și selectați supraîncărcarea partajată de constatări când CI cere JSON standard
5. Rezolvați fiecare eroare înainte de ieșire, deoarece EndDoc impune și politica implicită strictă pentru documentele PDF/UA-2

See also: Automatic layout structure, ValidatePDFUA2Structure, RepairPDFUA2Structure, ComplianceFindingsToJSON, SetStructurePronunciation, AddPronunciationLexicon, AddStructureElement, BeginTaggedContentForStructure, AppendStructureMarkedContent