Định dạng tệp bền cho lưu trữ lâu dài là định dạng mở, được tài liệu hoá công khai, dùng rộng rãi, không phụ thuộc phần mềm hay thiết bị của một hãng và không bị khoá bằng mã hoá bản quyền. Theo tiêu chí đó, các lựa chọn an toàn hiện nay là PDF/A cho văn bản hoàn chỉnh, TIFF không nén hoặc nén không mất dữ liệu cho ảnh gốc, CSV hoặc văn bản thuần mã UTF-8 cho dữ liệu bảng, WAV hoặc FLAC cho âm thanh, và các định dạng mở như ODF hoặc chuẩn ISO của tệp văn phòng cho tài liệu còn cần sửa.
Lưu trữ được tệp nhưng không mở được nó sau hai mươi năm cũng là mất dữ liệu. Giới lưu trữ gọi đó là lỗi thời định dạng (format obsolescence), một rủi ro khác hẳn với hỏng ổ cứng. Bài này trình bày bảy tiêu chí mà các thư viện quốc gia dùng để chấm định dạng, bảng khuyến nghị theo loại nội dung, và cách chuyển kho tệp hiện có sang định dạng bền mà không làm mất thông tin.
Lỗi thời định dạng xảy ra thế nào
Một tệp chỉ là chuỗi bit. Để biến chuỗi bit thành văn bản, ảnh hay âm thanh, cần phần mềm hiểu được quy ước mã hoá của định dạng đó. Khi quy ước bí mật và chỉ một phần mềm thương mại đọc được, số phận của tệp gắn với số phận của phần mềm: hãng ngừng phát triển, phiên bản mới bỏ hỗ trợ tệp cũ, hệ điều hành mới không chạy được phần mềm cũ. Ai từng cố mở tệp soạn thảo từ thập niên 1990 hay dự án của một phần mềm dàn trang đã biến mất đều hiểu cảm giác này.
Ví dụ kinh điển trong giới lưu trữ là Dự án Domesday của BBC năm 1986: một cuộc khảo sát đời sống nước Anh nhân kỷ niệm 900 năm Sách Domesday, lưu trên đĩa laser đọc bằng một loại máy tính riêng. Chỉ khoảng mười lăm năm sau, gần như không còn thiết bị đọc được; các nhóm nghiên cứu đã phải dựng lại bằng giả lập vào đầu thập niên 2000. Trong khi đó, bản Sách Domesday gốc viết tay năm 1086 vẫn đọc được. Vint Cerf, một trong những người thiết kế Internet, từng cảnh báo năm 2015 về nguy cơ một “thời kỳ tối tăm số” vì lý do này.
Lỗi thời ít khi đột ngột. Nó đến dần: một định dạng vẫn mở được nhưng phông chữ bị thay, công thức trong bảng tính tính ra kết quả khác, video phát được nhưng lệch tiếng. Vì vậy khi chọn định dạng lưu trữ, câu hỏi không chỉ là “bây giờ có mở được không” mà là “hai mươi năm nữa, một người không có phần mềm gốc có dựng lại được nội dung đúng như bản gốc không”.
Bảy tiêu chí đánh giá độ bền của một định dạng
Công khai đặc tả. Tài liệu kỹ thuật mô tả định dạng có được công bố đầy đủ không. Đây là tiêu chí quan trọng nhất: có đặc tả thì luôn viết lại được phần mềm đọc.
Mức độ phổ biến. Định dạng được dùng rộng rãi thì có nhiều phần mềm đọc, nhiều người có động lực duy trì, và nếu lỗi thời thì sẽ có công cụ chuyển đổi hàng loạt.
Tính minh bạch. Nội dung có thể đọc được bằng công cụ phân tích đơn giản không; định dạng nén phức tạp hay mã hoá nhiều lớp làm việc dựng lại khó hơn.
Tự mô tả. Tệp có mang siêu dữ liệu mô tả chính nó không: tác giả, ngày tạo, không gian màu, bảng mã ký tự.
Phụ thuộc bên ngoài. Tệp có cần phông chữ, phần mềm hay phần cứng cụ thể để hiển thị đúng không. Văn bản dùng phông chữ không được nhúng sẽ hiển thị sai khi máy không có phông đó.
Ràng buộc bằng sáng chế. Định dạng bị sáng chế bao phủ có thể bị hạn chế triển khai, khiến ít phần mềm tự do hỗ trợ.
Cơ chế bảo vệ kỹ thuật. Mã hoá bản quyền (DRM) hay khoá mật khẩu gần như chắc chắn gây mất quyền truy cập khi khoá hoặc dịch vụ cấp phép biến mất.
Bảng khuyến nghị theo loại nội dung
Bảng tổng hợp thực hành phổ biến của các thư viện và cơ quan lưu trữ lớn, trong đó có danh mục định dạng khuyến nghị mà Thư viện Quốc hội Hoa Kỳ cập nhật hằng năm. Cột “bản lưu trữ” là bản gốc giữ lâu dài; cột “bản truy cập” là bản nhẹ để dùng hằng ngày.
| Loại nội dung | Bản lưu trữ ưu tiên | Bản truy cập | Nên tránh làm bản lưu trữ |
|---|---|---|---|
| Văn bản đã hoàn chỉnh | PDF/A (ISO 19005) | PDF thường | PDF có mật khẩu, tệp soạn thảo của phiên bản cũ |
| Văn bản còn sửa | ODF (ISO/IEC 26300) hoặc OOXML chuẩn ISO/IEC 29500 | Định dạng văn phòng thông dụng | Định dạng của phần mềm đã ngừng phát triển |
| Ảnh chụp, ảnh quét gốc | TIFF không nén hoặc nén LZW; một số nơi dùng JPEG 2000 không mất dữ liệu | JPEG chất lượng cao | Định dạng RAW riêng của hãng làm bản duy nhất |
| Đồ hoạ, sơ đồ | PNG, SVG | PNG, JPEG | Tệp dự án của phần mềm đồ hoạ làm bản duy nhất |
| Dữ liệu bảng | CSV mã UTF-8 kèm tệp mô tả cột | Bảng tính thông dụng | Bảng tính có công thức, macro làm bản duy nhất |
| Âm thanh | WAV (hoặc BWF), FLAC | MP3, AAC | Định dạng nén mất dữ liệu làm bản gốc |
| Video | FFV1 trong vỏ Matroska; hoặc bản chất lượng cao nhất có được | MP4 với H.264 | Định dạng gắn với một máy quay hay phần mềm dựng |
| Thư điện tử | EML hoặc MBOX | Ứng dụng thư | Tệp hộp thư độc quyền của một phần mềm |
Lưu ý hai điểm. Thứ nhất, “nén” không phải kẻ thù; nén mất dữ liệu mới là vấn đề với bản gốc, vì mỗi lần chuyển đổi về sau lại mất thêm chất lượng. FLAC và TIFF nén LZW giảm dung lượng mà giải nén ra y hệt bản gốc. Thứ hai, với ảnh RAW từ máy ảnh, nhiều nhiếp ảnh gia giữ cả tệp RAW gốc lẫn một bản chuyển sang định dạng mở như DNG hoặc TIFF, vì định dạng RAW mỗi hãng một kiểu và không phải phần mềm nào cũng đọc được mãi.
PDF/A khác PDF thường ở đâu
PDF/A là một tập con của PDF, chuẩn hoá thành ISO 19005 với phần đầu tiên công bố năm 2005, sau đó có PDF/A-2 (2011), PDF/A-3 (2012) và PDF/A-4 (2020). Ý tưởng là cấm mọi thứ có thể khiến tệp hiển thị khác đi trong tương lai: mọi phông chữ phải được nhúng vào tệp, màu sắc phải được mô tả theo hồ sơ màu độc lập thiết bị, không được có JavaScript, không có liên kết tới nội dung bên ngoài để hiển thị, không mã hoá. Đổi lại, tệp nặng hơn một chút và mất một số tính năng tương tác.
Các phần khác nhau phục vụ nhu cầu khác nhau. PDF/A-1 nghiêm ngặt nhất, phù hợp văn bản đơn giản. PDF/A-2 cho phép nén JPEG 2000, lớp trong suốt và nhúng các tệp PDF/A khác. PDF/A-3 cho phép nhúng tệp bất kỳ, chẳng hạn kèm tệp dữ liệu gốc vào hoá đơn — tiện nhưng tệp nhúng thì không được bảo đảm bền như phần PDF. Mỗi phần còn có các mức tuân thủ: mức “b” chỉ đảm bảo hình thức hiển thị, mức “a” đòi thêm cấu trúc logic và văn bản có thể trích xuất, giúp trình đọc màn hình và công cụ tìm kiếm.
Thực tế cần nhớ: lưu tệp với tuỳ chọn “PDF/A” trong phần mềm văn phòng không bảo đảm tệp tuân thủ đầy đủ. Với kho lưu trữ quan trọng, nên kiểm bằng công cụ thẩm định chuyên dụng, trong đó có công cụ mã nguồn mở veraPDF được phát triển với sự tham gia của giới lưu trữ châu Âu. Văn bản tiếng Việt cần chú ý thêm: phông chữ có dấu phải được nhúng đầy đủ, nếu không chữ có thể biến thành ô vuông khi mở trên máy khác.
Chuyển kho tệp hiện có sang định dạng bền
Phần lớn tổ chức không bắt đầu từ trang trắng mà từ một ổ chung chứa hàng chục định dạng khác nhau. Quy trình chuyển đổi an toàn:
- Kiểm kê: dùng công cụ nhận diện định dạng (các công cụ dựa trên sổ đăng ký định dạng PRONOM của Cơ quan Lưu trữ Quốc gia Anh là lựa chọn phổ biến) để đếm số tệp theo định dạng thật, không dựa vào phần mở rộng tên tệp vốn có thể sai.
- Phân loại rủi ro: định dạng mở và phổ biến xếp rủi ro thấp; định dạng độc quyền của phần mềm còn được hỗ trợ xếp trung bình; định dạng của phần mềm đã ngừng hoặc không còn ai mở được xếp cao, xử lý trước.
- Giữ bản gốc: không bao giờ xoá tệp gốc sau khi chuyển. Lưu bản chuyển đổi bên cạnh, vì công cụ chuyển đổi có thể làm mất thông tin mà phải nhiều năm sau mới có người phát hiện.
- Kiểm tra mẫu: chọn ngẫu nhiên một tỷ lệ tệp sau chuyển đổi, so sánh trực quan với bản gốc: số trang, bảng biểu, công thức, chú thích, chữ tiếng Việt có dấu.
- Ghi lại: lập nhật ký ghi công cụ, phiên bản, ngày chuyển và người kiểm. Đây là một phần của siêu dữ liệu bảo quản giúp người sau hiểu tệp đã đi qua những biến đổi gì.
Quy trình này áp dụng được cho cả doanh nghiệp vừa và nhỏ. Không cần chuyển tất cả cùng lúc; ưu tiên hồ sơ có giá trị lâu dài như hợp đồng, bản vẽ, hồ sơ nhân sự và tài liệu lịch sử của công ty.
Những hiểu lầm phổ biến
“Định dạng phổ biến thì không bao giờ lỗi thời.” Phổ biến giảm rủi ro nhưng không loại trừ. Nhiều định dạng từng thống trị đã gần như biến mất cùng phần mềm tạo ra chúng; độ bền đến từ đặc tả công khai hơn là thị phần nhất thời.
“JPEG là đủ cho ảnh quét quan trọng.” JPEG nén mất dữ liệu, và mỗi lần chỉnh sửa rồi lưu lại là mất thêm. Dùng JPEG làm bản truy cập, giữ bản gốc TIFF hoặc định dạng không mất dữ liệu.
“Lưu PDF là đã lưu trữ.” PDF thường có thể dựa vào phông chữ hệ thống, nhúng nội dung động hoặc bị khoá mật khẩu. Chỉ PDF/A được thiết kế cho mục đích lưu trữ.
“Bảng tính giữ được mọi thứ.” Công thức có thể tính khác giữa các phần mềm; macro có thể bị chặn hoặc không chạy. Với dữ liệu cần giữ lâu, xuất giá trị ra CSV mã UTF-8 kèm một tệp mô tả ý nghĩa từng cột, đơn vị đo và cách mã hoá giá trị thiếu.
Câu hỏi thường gặp
CSV có nhược điểm gì khi dùng làm định dạng lưu trữ?
CSV không mang thông tin về kiểu dữ liệu, bảng mã, dấu phân cách thập phân hay ý nghĩa cột. Dữ liệu tiếng Việt lưu sai bảng mã sẽ thành ký tự lạ. Vì vậy nên lưu UTF-8, ghi rõ dấu phân cách và kèm một tệp mô tả cột, đơn vị và quy ước giá trị thiếu.
Có nên chuyển hết tài liệu Word cũ sang PDF/A?
Với tài liệu đã hoàn chỉnh như hợp đồng, quyết định, báo cáo đã ký, nên tạo bản PDF/A song song. Với tài liệu còn chỉnh sửa, giữ định dạng soạn thảo theo chuẩn mở. Không nên xoá bản gốc vì PDF/A khó sửa và có thể mất ghi chú, lịch sử thay đổi.
Ảnh chụp từ điện thoại dạng HEIC có bền không?
HEIC tiết kiệm dung lượng nhưng phụ thuộc bộ mã hoá có ràng buộc sáng chế và chưa được mọi phần mềm hỗ trợ. Với ảnh quan trọng, nên giữ thêm một bản JPEG chất lượng cao hoặc TIFF, nhất là khi chuyển sang thiết bị hay nền tảng khác.
Định dạng mở có nghĩa là miễn phí không?
Không nhất thiết. Định dạng mở nghĩa là đặc tả được công bố và có thể triển khai mà không cần xin phép. Phần mềm đọc ghi định dạng đó có thể miễn phí hoặc thương mại. Điều quan trọng với lưu trữ là bất kỳ ai cũng có thể viết phần mềm đọc nó.
Video gia đình quay bằng máy quay đời cũ nên lưu ở định dạng nào?
Nếu đã số hoá, giữ bản chất lượng cao nhất có được, tốt nhất là định dạng không mất dữ liệu như FFV1 trong vỏ Matroska, và tạo thêm bản MP4 để xem. Dung lượng lớn nhưng bản gốc tốt cho phép chuyển đổi lại khi định dạng xem phổ biến thay đổi.
Làm sao biết một tệp PDF có đúng chuẩn PDF/A không?
Phần mềm đọc PDF thường hiện thông báo khi tệp tự khai là PDF/A, nhưng lời tự khai chưa đủ. Cần chạy công cụ thẩm định chuyên dụng, ví dụ veraPDF, để kiểm từng quy tắc như phông nhúng, hồ sơ màu và siêu dữ liệu; báo cáo sẽ chỉ rõ quy tắc nào bị vi phạm.