«The file is damaged and could not be repaired» — reparar un PDF roto

Los errores exactos, y la ironía de la redacción de Adobe

Adobe Acrobat y Reader muestran esto, textualmente, cuando un PDF no se abre:

There was an error opening this document. The file is damaged and could not be repaired.

El visor integrado de Chrome expresa el mismo fallo de forma más escueta:

Failed to load PDF document.

Lee con atención la frase de Adobe, porque su formulación empuja a mucha gente a rendirse. No dice que el archivo no se pueda reparar. Dice que Acrobat no pudo repararlo. Acrobat tiene una pasada de reparación integrada que se ejecuta automáticamente cuando se topa con un PDF roto, y esa pasada es conservadora: gestiona los problemas simples y se rinde ante cualquier cosa más difícil. Cuando se rinde, informa del archivo como dañado y más allá de su propia reparación, lo cual es una afirmación sobre el esfuerzo de Acrobat, no sobre la recuperabilidad real del archivo. Muchísimos PDF que provocan este mensaje se abren perfectamente tras una reconstrucción estructural más a fondo.

La tabla xref es el índice del PDF

Un PDF se construye a partir de objetos numerados: cada página, fuente, imagen y bloque de texto es un objeto guardado en algún punto del archivo. Para encontrarlos rápido, un PDF mantiene una tabla de referencias cruzadas, la xref, cerca del final del archivo. La xref es una lista de consulta que registra el desplazamiento exacto en bytes de cada objeto, y justo después de ella se sitúa un pequeño tráiler que apunta al lector hacia la xref y hacia la raíz del documento. Cuando abres un PDF, el lector salta al final, lee el tráiler, lee la xref y usa esos desplazamientos para localizar todo lo demás.

Un PDF guarda primero sus objetos de página y, cerca del final, el índice xref que los localiza. Daña la xref y el lector no puede encontrar las páginas, aunque las páginas sigan ahí.

Ese diseño es la misma historia que el índice de un vídeo o el directorio de un ZIP: un pequeño mapa al final que un lector necesita antes de poder usar el gran cuerpo de datos que tiene delante. Y tiene la misma consecuencia. Si la xref está corrupta, apunta a desplazamientos equivocados, o quedó cortada por completo, el lector no puede encontrar ni un solo objeto aunque las páginas estén en el archivo intactas. El documento es inservible, pero el contenido no está perdido, solo está sin indexar. Esa brecha entre «inservible» y «perdido» es donde vive la reparación.

Por qué una descarga rota rompe el PDF entero

Dos cosas salen mal con más frecuencia, y ambas dejan los objetos intactos mientras destrozan el índice. La primera es el truncamiento. Un PDF, como la mayoría de los archivos, se transfiere de principio a fin, así que una descarga que se atasca, una sincronización en la nube que se cierra, o un disco sacado a mitad de la copia te dejan con la parte inicial del archivo y nada después del corte. Como la xref y el tráiler viven al final, el truncamiento los elimina primero mientras los objetos de página del principio sobreviven. Una comprobación rápida de tamaño lo delata: un contrato que debería ocupar 4 MB y que llega como 2,6 MB está truncado, y los bytes que faltan no están dañados, simplemente están ausentes.

La segunda es la alteración durante la transferencia. Un PDF es una mezcla de datos binarios y estructura tipo texto, y una transferencia que modifica bytes por el camino (una pasarela de correo que «arregla» los saltos de línea, una herramienta que trata el archivo como texto, un paso de codificación que corrompe ciertos caracteres) puede desplazar la posición real de los objetos de modo que ya no coincidan con los desplazamientos que registra la xref. La xref ahora apunta unos bytes más allá de donde cada objeto realmente está, y el lector, siguiendo esos punteros obsoletos, encuentra basura y declara el archivo dañado.

Ambos casos comparten un orden de arreglo. Como la reparación más segura para un archivo truncado o alterado es una copia limpia de los bytes que se perdieron o cambiaron, vuelve a descargar o a copiar primero el archivo desde su origen original. Bájalo de nuevo sobre una conexión estable, o sácalo directamente del dispositivo o disco del que vino, y abre la copia nueva. Una descarga limpia arregla el documento entero de una vez, mientras que la reparación solo puede reconstruir alrededor de lo que ya tienes, así que siempre merece la pena dedicar los dos minutos a probar el origen original antes que cualquier otra cosa.

Reconstruir el xref

Cuando no hay una copia limpia disponible, la reparación consiste en reconstruir el índice. Cada objeto de un PDF lleva un marcador reconocible en el archivo, así que una herramienta de reparación puede ignorar por completo la xref rota y escanear el archivo desde el principio, encontrando cada objeto superviviente y anotando dónde está realmente. A partir de ese escaneo construye una tabla de referencias cruzadas nueva y correcta y un tráiler que le corresponde, y luego escribe un PDF nuevo cuyo índice apunta de verdad a sus objetos. Un lector que abre el archivo reconstruido recorre la nueva xref, encuentra cada objeto donde la tabla dice que está y renderiza el documento.

Este es exactamente el trabajo que intenta la propia pasada de reparación de Acrobat, y que a menudo abandona, hecho más a fondo. Cuando los objetos sobrevivieron y solo el índice estaba roto, que es el caso común detrás de este error, la reconstrucción recupera el documento por completo. Además, no es destructiva cuando se hace bien: la herramienta lee tu archivo dañado y escribe uno nuevo, así que un intento fallido deja el original exactamente como estaba, sin costarte nada por probar.

Cuándo no basta con reconstruir

Reconstruir la xref recupera un documento cuyos objetos están intactos tras un índice roto. No puede sacar de la nada contenido que no está en el archivo, y unas cuantas situaciones quedan fuera de lo que cualquier reparación puede hacer. Nombrarlas con claridad es más útil que una promesa:

• Los propios objetos faltan. Si el truncamiento cortó parte del archivo, las páginas que vivían en la sección eliminada se han perdido. Una reconstrucción recupera los objetos que sobrevivieron hasta el corte, y el documento vuelve incompleto en lugar de entero. No hay nada que indexar allí donde los bytes ya no existen.
• El PDF está cifrado y no tienes la contraseña. Un PDF protegido con contraseña guarda su contenido cifrado. La estructura se puede reconstruir, pero las páginas siguen cifradas, así que sin la contraseña el archivo recuperado sigue siendo ilegible. La reparación no evita el cifrado, ni debería hacerlo.
• Es un PDF de imágenes escaneadas con páginas dañadas.Un documento escaneado es esencialmente una imagen por página envuelta en un PDF. La recuperación es por página: las páginas cuyos datos de imagen sobrevivieron vuelven sin problemas, y las páginas cuyos datos de imagen quedaron truncados o sobrescritos no, ya que no hay redundancia dentro de una imagen comprimida a partir de la que reconstruir. Espera algunas páginas de vuelta y otras que faltan, más que un borrón parcial de todas las páginas.
• El archivo está casi vacío. Un PDF que volvió como unos pocos kilobytes de un original de varios megabytes, o que se lee como casi todo ceros, no contiene objetos reales que indexar. Ese es un problema de descarga o de recuperación, no de reparación.

Fuera de esos casos, un PDF que Acrobat calificó de dañado y que no pudo reparar es con frecuencia una simple reconstrucción del índice, porque el error trata del mapa mucho más a menudo que del territorio.