PDF para Word

Uma página de PDF não tem o conceito de "parágrafos" ou "títulos" da forma que um documento Word tem — internamente é um conjunto de trechos de texto posicionados, cada um dizendo, em efeito, "desenhe estes caracteres nesta coordenada x,y exata, nesta fonte". Não há um esquema, nenhuma estrutura de documento, nem sequer uma noção confiável de onde uma linha termina e a próxima começa; um leitor de PDF reconstrói a aparência visual de uma página pintando cada trecho de texto na posição declarada, e uma pessoa lendo o resultado percebe linhas e parágrafos só porque as posições por acaso se alinham dessa forma. Converter um PDF em um documento editável significa trabalhar de trás para frente a partir disso: agrupar trechos de texto que compartilham uma posição vertical parecida em linhas, depois notar onde o espaço vertical entre uma linha e a próxima é incomumente grande — um sinal de que um parágrafo acabou de terminar — e tratar isso como uma quebra de parágrafo. Isso é fundamentalmente uma reconstrução a partir de dados de posição, não uma leitura de alguma estrutura de documento oculta, e é exatamente por isso que a formatação original não pode ser recuperada: não havia informação de formatação estruturada no arquivo para recuperar, para começar, só onde a tinta foi colocada.

É fácil supor que "ler um PDF" e "ler uma página digitalizada" são a mesma tarefa com a mesma ferramenta, mas eles resolvem problemas genuinamente diferentes. A extração de texto, o que esta ferramenta faz, lê texto que um PDF já armazena como texto — códigos de caracteres e posições, os mesmos dados que um leitor de PDF usa para deixar você selecionar e copiar uma frase. O OCR (reconhecimento óptico de caracteres) resolve um problema muito mais difícil: olhar para uma página que é só uma imagem, sem nenhum dado de texto em lugar nenhum do arquivo, e usar reconhecimento de imagem para adivinhar quais letras e palavras a imagem representa. Isso é uma tarefa fundamentalmente mais pesada — envolve processamento de imagem, modelos de reconhecimento de caracteres, e incerteza inerente sobre qual é sequer a resposta "certa" —, nada disso se aplica quando o texto já está ali como texto. Embutir um motor de OCR completo em uma ferramenta cujo apelo inteiro é rodar instantaneamente no seu navegador trocaria a velocidade e a simplicidade que tornam esta ferramenta útil pela minoria de PDFs que por acaso são digitalizações. Um PDF digitalizado, só imagem, é um caso real e comum, e esta ferramenta diz isso claramente nos seus resultados em vez de silenciosamente produzir um documento vazio — mas resolver isso de verdade significa recorrer a uma ferramenta de OCR dedicada, não forçar esta além do que ela honestamente faz.

Um conversor mais ambicioso poderia tentar recriar o layout da página original — posicionando texto em caixas em coordenadas aproximadamente certas, adivinhando colunas, tentando reproduzir fontes. Na prática, isso produz um documento que parece superficialmente semelhante ao original, mas é quase impossível de realmente editar: texto sentado em caixas flutuantes desconectadas em vez de parágrafos fluindo, reorganizando mal no momento em que qualquer coisa é adicionada ou removida, e brigando com o usuário a cada edição. Reorganizar o texto extraído em parágrafos comuns, em vez disso — a abordagem que esta ferramenta adota — desiste deliberadamente da semelhança visual em troca de um documento que se comporta como um documento Word deve se comportar: digite no final de um parágrafo e ele quebra normalmente, apague uma frase e o resto da página se reorganiza da forma que os processadores de texto sempre funcionaram. Para o objetivo comum de colocar as palavras de um PDF em um documento editável — para citar, revisar, reaproveitar ou traduzir — essa troca é a certa, e é por isso que esta ferramenta não tenta ser uma ferramenta de preservação de layout vestida de editor de texto.