PDF para Word e vice-versa: o que sobrevive à conversão

Um sentido é reconstrução; o outro é só impressão

Transformar um documento do Word em PDF com o Word para PDF é um problema de renderização. O próprio mecanismo de layout do documento desenha a página como faria para imprimir, e o PDF registra esse resultado, que já está correto. Transformar um PDF de volta em um documento editável do Word com o PDF para Word é um problema mais difícil, no sentido contrário. O PDF não guarda nenhuma memória de parágrafos, estilos ou estrutura do documento. Ele só sabe onde cada pedaço de texto está na página. Por isso, voltar para o Word significa reconstruir uma estrutura que nunca foi gravada no arquivo, apenas sugerida pela posição visual das coisas na página. Duas linhas de texto próximas podem ser um parágrafo ou dois. Um espaço vazio pode ser uma quebra de parágrafo ou o limite entre duas colunas. A conversão precisa decidir, e só pode decidir pelas posições.

A posição na página do PDF não diz se algo era uma tabela

O PDF não tem nenhum conceito próprio de tabela. O que parece, sem sombra de dúvida, uma grade de células na página é, na verdade, um conjunto de pedaços de texto posicionados em intervalos regulares, sem nenhuma marcação no arquivo dizendo “isto é uma tabela”. Reconstruir essa grade visual como uma tabela de verdade, editável no Word, é necessariamente um processo aproximado, que deduz a estrutura a partir das posições. É natural que uma tabela com layout complexo ou irregular precise de um ajuste manual depois. Essa é uma limitação do próprio formato, e não um defeito corrigível de alguma ferramenta de conversão em particular.

Texto corrido e layout exato respondem a perguntas diferentes

Reconstruir um PDF como parágrafos de texto corrido, que se reorganizam durante a edição, é a escolha certa quando o documento vai ser reescrito depois. É isso que “editável” deveria significar na prática. Reconstruí-lo, em vez disso, como uma cópia com layout exato, que mantém mais ao pé da letra a posição original de cada bloco de texto na página, gera algo mais próximo de uma réplica visual do PDF. O custo é que depois fica mais difícil trabalhar com o resultado como texto corrido comum. Escolher entre os dois é uma questão do que vai acontecer com o arquivo em seguida, e não de qual opção parece mais fiel em teoria.

Um PDF digitalizado precisa de um ponto de partida totalmente diferente

Um documento digitalizado é a imagem de uma página, sem texto para extrair, e isso significa que a reconstrução comum de PDF para Word não tem de onde partir. Para começo de conversa, não existe texto posicionado do qual deduzir a estrutura de parágrafos e tabelas. Reconhecer essa situação automaticamente e rodar o OCR antes de montar o documento do Word é o que gera, do outro lado, texto de verdade, editável e selecionável, e não a imagem de uma página colada de qualquer jeito em um documento que, fora isso, está vazio. Se você quiser manter a digitalização também em PDF, o OCR PDF acrescenta o mesmo tipo de camada de texto à própria digitalização.

As fontes aguentam a ida e volta melhor do que muita gente imagina

Converter Word para PDF com a incorporação de fontes ativada significa que a fonte usada no documento viaja dentro do PDF gerado, e a página aparece idêntica mesmo em um computador que não tem essa fonte instalada. Quando, por algum motivo, uma fonte não pode ser incorporada, trocá-la por uma equivalente metricamente compatível, ou seja, uma fonte cujos caracteres têm larguras tão parecidas que as quebras de linha e os espaçamentos não se deslocam, mantém o layout do documento intacto, mesmo quando a fonte original não pode ser reproduzida do lado de quem recebe o arquivo.

Erros comuns na ida e volta

O primeiro erro é esperar que a volta devolva o arquivo do Word de onde você partiu. O PDF guarda a aparência de um título, não o fato de que aquilo era um título, então o PDF para Word precisa deduzir estilos e estrutura; guarde o DOCX original e trate a cópia convertida como um documento novo. O segundo é escolher o layout exato para um texto que você vai reescrever: cada bloco fica preso onde estava, e editar vira arrastar caixas. O terceiro é confiar nas configurações padrão do OCR: o reconhecimento supõe que o texto está em inglês, a menos que você escolha um dos outros quinze idiomas, e o modo “auto” mantém qualquer camada de texto que o arquivo já tenha, então um PDF com texto embaralhado precisa da opção “sempre”.

No sentido contrário, com o Word para PDF, o deslize mais comum é enviar sem dar uma olhada antes: uma fonte que não pode ser incorporada é trocada por uma metricamente compatível, então as quebras de linha se mantêm, mas a fonte pode ficar diferente. Um arquivo protegido por senha é recusado nos dois sentidos: tire a senha antes, com o Remover senha de PDF no caso de um PDF, ou no próprio Word no caso de um DOCX. Os dois conversores usam o nosso servidor: um PDF pode ter até 300 MB e 500 páginas, o arquivo enviado é excluído quando a tarefa termina, e o resultado, em cerca de duas horas.