PDF para Word

Por que um PDF não se edita como um documento

Um PDF não sabe o que é um parágrafo. Lá dentro há apenas instruções como «escreva estas palavras nesta altura, com esta fonte»: uma linha depois da outra, cada uma no seu lugar. Por isso, quando você copia um trecho de um PDF e cola no Word, acaba com uma quebra de linha no fim de cada linha, palavras divididas por hífen, o número da página no meio de uma frase e o cabeçalho repetido a cada quarenta linhas.

Esta página faz o trabalho que você faria à mão, só que mais rápido: ela olha onde cada pedaço de texto está, reconstrói parágrafos, títulos, listas e tabelas e os escreve em um arquivo .docx de verdade, que você edita como qualquer outro documento. O texto flui de uma página para a outra, pode ser corrigido, reformatado e impresso com as margens que você preferir.

O que ela reconstrói

Parágrafos. Quando uma linha termina antes da margem e a primeira palavra da linha seguinte caberia nela, o parágrafo terminou ali; caso contrário, as linhas são unidas. Recuos da primeira linha, o recuo deslocado das bibliografias e o espaço extra entre parágrafos também contam.

Palavras divididas por hífen no fim de uma linha voltam a ficar inteiras: «docu-» e «mento» formam «documento». O hífen permanece quando a palavra composta aparece inteira em outro ponto do documento, ou quando a linha seguinte começa com letra maiúscula ou dígito, como em «Sub-Saariana».

Títulos, reconhecidos pelo tamanho da letra (a maior é o nível 1) e por linhas isoladas escritas inteiramente em negrito. Eles viram os estilos Título 1, 2 e 3 do Word, então o sumário automático e o painel de navegação funcionam na hora.

Listas com marcadores ou números, também em dois níveis, como listas reais do Word. Um número no início de uma linha só vira lista se a lista começar em 1 ou se for o número seguinte ao anterior; um traço só se houver pelo menos dois seguidos, porque um traço no início da linha costuma ser diálogo.

Tabelas simples, as de colunas bem separadas, que viram tabelas do Word com a primeira linha como cabeçalho. E dentro das frases negrito e itálico permanecem, enquanto os números de notas de rodapé voltam a ser sobrescritos.

Do que o Word não precisa

Cabeçalhos e rodapés. Uma linha repetida de forma idêntica no alto ou no pé de várias páginas é removida, mesmo quando só o número muda: «Página 3 de 12» e «Página 4 de 12» são a mesma linha. Os números de página soltos no pé da folha também saem.

Quebras de linha no fim da página. Um parágrafo que começa numa página e termina na seguinte volta a ser um parágrafo só, mesmo com uma nota de rodapé no meio, e a nota fica logo depois do parágrafo. Em páginas de duas colunas lê-se primeiro a coluna esquerda inteira e depois a direita, como qualquer pessoa faria: ler de ponta a ponta colaria meias frases que não têm nada a ver umas com as outras.

Um exemplo com números. No documento de teste que usamos para verificar a ferramenta (duas páginas de texto justificado e hifenizado), dezesseis palavras divididas voltam a ficar inteiras, as quatro linhas de cabeçalho e rodapé desaparecem e o parágrafo que passa de uma página para a outra volta a ser um só. Depois da conversão, a página mostra as mesmas contagens para o seu arquivo, para você saber o que foi alterado.

O que não pode ficar igual

Um documento Word e um PDF são construídos de forma diferente, e ninguém pode prometer com honestidade um layout idêntico. Quem promete coloca cada linha em uma caixa de texto: o arquivo fica com a mesma aparência, mas não dá para editar, porque corrigir uma palavra significa mover à mão as caixas de baixo. Aqui se faz a escolha oposta: o texto flui e pode ser editado, e os elementos gráficos não são copiados. Portanto, nada de posições exatas, cores, caixas ou quebras de página no mesmo ponto.

Imagens não vão para o documento: para tirá-las do PDF, uma a uma e na resolução original, existe Extrair imagens de PDF e Office. Fórmulas e gráficos saem como texto espalhado, porque no PDF são pedaços de texto colocados em pontos diferentes. Tabelas com células mescladas ou com texto em várias linhas dentro de uma célula saem mal reconstruídas: para essas existe Extrair tabelas de um PDF, que faz só esse trabalho.

PDFs escaneados e protegidos

Se o PDF for a foto de uma folha, não há texto dentro: há imagens, e nenhuma palavra sai de uma imagem sem reconhecimento de caracteres. A página percebe e diz quais páginas são assim; se o documento inteiro for assim, ela não entrega um arquivo Word vazio, mas manda você para Tornar pesquisável um PDF escaneado, que coloca o texto reconhecido sob as imagens, e depois disso a conversão funciona.

Se o PDF pede senha para abrir, aqui nada é adivinhado: se você souber a senha, remova-a com Remover a senha do PDF, e depois volte aqui. PDFs só com restrições, os que abrem mas não podem ser impressos nem copiados, são lidos sem nenhum problema.

O arquivo Word que você recebe

É um arquivo .docx como qualquer outro, em tamanho A4 e com a fonte Calibri, que abre no Word, no LibreOffice, no Pages e no Google Docs. Os títulos usam estilos do Word, as listas são listas reais e as tabelas são tabelas reais, com a linha de cabeçalho repetida no alto de cada página. Esta página o escreve, byte a byte, com o mesmo código de Markdown para Word, que faz o mesmo trabalho a partir de texto em Markdown.

Antes de ser publicada, a ferramenta foi testada com PDFs que vinham com o gabarito escrito ao lado: o arquivo Word que ela produz é relido por dois programas diferentes do nosso, que devem encontrar exatamente os mesmos parágrafos, os mesmos títulos nos seus níveis, as mesmas listas e as mesmas células do documento original.

O que ela não faz

Ela não lê escaneamentos sem texto, não copia o layout, as imagens e os gráficos, e não faz o caminho inverso: de Word para PDF, o próprio Word já faz isso com «Salvar como». Se você só precisa do texto simples, sem títulos nem listas, para colar em um e-mail, o caminho mais rápido é Extrair texto de PDF.

O PDF não sai do seu dispositivo: ele é lido e convertido aqui, no navegador, e o arquivo Word é feito aqui. Você pode usar a ferramenta também para um contrato, um holerite ou um prontuário médico.