Por que um PDF reparado ainda pode falhar na validação PDF/A

A maior parte dos danos reais é estrutural, e dano estrutural tem conserto

A grande maioria dos danos reais em PDF, como um arquivo que se recusa a abrir ou que abre com erros visíveis, se resume a uma tabela de referências cruzadas quebrada ou a um trailer corrompido. Quase sempre, a causa é um download interrompido ou um disco que falhou no meio da gravação do arquivo. Esse tipo de dano tem conserto completo. Reconstruir a estrutura interna do arquivo, que é tudo o que a ferramenta Reparar PDF precisa fazer nesse caso, devolve o conteúdo original sem perda nenhuma, porque o conteúdo das páginas, por baixo, nunca chegou a ser tocado. Só o índice que diz onde encontrá-lo estava quebrado. Um leitor que recusa o arquivo está se recusando a seguir um mapa quebrado, e não avisando que as próprias páginas sumiram.

Dano no próprio conteúdo da página é outro problema

Um fluxo de conteúdo danificado em uma página específica é um problema de outro tipo, diferente de um índice quebrado. Nesse caso, o texto vetorial e as instruções de desenho daquela página se perderam, e não estão apenas difíceis de encontrar. Nenhum reparo de estrutura, por mais completo que seja, consegue reconstruir dados que já não existem no arquivo. A saída prática é renderizar como imagem tudo o que ainda dá para recuperar dessa página e passá-la pelo OCR PDF para obter um texto legível. Enquanto isso, todas as outras páginas do mesmo documento, que não foram afetadas, mantêm intacto, do começo ao fim, o conteúdo vetorial original.

Ser reparável e estar em conformidade com o PDF/A são padrões distintos

Um PDF que agora abre direito em qualquer leitor, com texto limpo e sem nenhum erro visível, ainda pode ser reprovado por completo na validação de arquivamento PDF/A. Cuidar disso é outra tarefa, e é para ela que existe a ferramenta PDF para PDF/A. Trata-se de um padrão diferente e bem mais rigoroso, que verifica outras coisas: todas as fontes incorporadas ao arquivo, e não apenas citadas pelo nome; cores ligadas a um perfil fixo e declarado; e nenhuma dependência de recursos externos ou de programas que quem for abrir o arquivo talvez não tenha daqui a décadas. Consertar uma estrutura quebrada nunca teve a função de garantir nada disso. O reparo e a conformidade para arquivamento respondem a duas perguntas diferentes sobre o mesmo arquivo.

Por que uma reprovação verdadeira do validador vale mais que uma falsa aprovação

Montar a estrutura PDF/A sem depender do Ghostscript, que aqui é evitado de propósito por causa dos termos da licença dele, significa construir diretamente a estrutura exigida, em vez de seguir o caminho padrão de conversão em que a maioria das ferramentas se apoia. Por isso, o processo faz o melhor possível, mas não tem garantia. Passar toda conversão pelo veraPDF, o validador de referência em que instituições de arquivo e tribunais de verdade confiam, e mostrar o veredito dele em vez de um ícone de confirmação tranquilizador significa que, quando uma reprovação aparece, ela aparece porque é verdadeira. Isso é bem mais útil do que uma ferramenta que alega um sucesso que não consegue comprovar.

Ler a falha específica é mais útil do que tratar a validação como aprovado ou reprovado

Uma reprovação que lista as regras exatas que o documento não cumpriu, como uma fonte que não foi incorporada ou um espaço de cor que não foi declarado do jeito certo, é um resultado útil, que mostra o que fazer, de um jeito que um simples indicador de aprovado ou reprovado nunca conseguiria. Baixar o arquivo seja qual for o resultado da validação e ler o que falhou faz com que um documento que já percorreu noventa e cinco por cento do caminho até a conformidade total não seja tratado como um que mal começou. As regras que não passaram apontam o que ainda precisa ser corrigido, em vez de obrigar você a retomar o documento inteiro do zero.

Como escolher a estratégia de reparo e o nível de PDF/A

Cada ferramenta faz uma pergunta logo no início, e uma resposta errada obriga a processar o arquivo de novo. A ferramenta Reparar PDF tem três estratégias. “Auto”, o padrão, reconstrói a estrutura e só recorre a uma imagem com OCR na página cujo fluxo de conteúdo está quebrado. “Apenas estrutura” nunca faz isso: uma página quebrada volta em branco, a melhor escolha quando cada página que sobreviveu precisa manter um texto real e selecionável. “Rasterizar e OCR” redesenha todas as páginas, inclusive as legíveis, como imagem com texto reconhecido, o que serve para um arquivo cujas palavras aparecem como caracteres embaralhados. A tela de resultado mostra quais páginas foram recuperadas como imagem, então leia essa tela antes de passar o arquivo adiante.

A ferramenta PDF para PDF/A pede um nível. O 2b serve para quase tudo o que foi criado depois de 2010 e mantém a transparência. O 1b achata em uma imagem simples qualquer página com transparência ou camadas, algo de que um arquivo moderno raramente precisa. O 3b só acrescenta a permissão de incorporar outro arquivo, como a planilha de origem de uma fatura. Duas coisas importam mais que o nível: a norma não admite criptografia, então um arquivo protegido precisa passar antes pela ferramenta Remover senha de PDF, e um documento digitalizado continua sem texto pesquisável se a opção de OCR não estiver ativada. O resultado costuma ficar de 10 a 40 por cento maior: as fontes que não estavam incorporadas são trocadas por fontes Liberation ou Noto de métricas compatíveis, e as cores são vinculadas ao sRGB.