Como converter um PDF em Word

Um PDF não guarda parágrafos. Ele guarda glifos: caracteres individuais, cada um com uma referência de fonte e uma posição na página. Não existe frase, não existe título, não existe lista; isso quem monta é o seu olho, a partir dos espaços. Por isso todo conversor de PDF para Word que existe, o nosso incluído, faz reconstrução e não tradução: lê milhares de glifos posicionados e adivinha quais pertencem à mesma linha, quais linhas formam um parágrafo e qual parágrafo era para ser um título. Entender esse único fato explica quase tudo o que você vê nos resultados: por que um relatório limpo converte lindamente, por que um artigo acadêmico em duas colunas sai embaralhado e por que um contrato digitalizado gera um documento vazio, seja qual for a ferramenta.

O que o conversor realmente lê

A camada de texto de um PDF é uma lista de operações de desenho. Cada uma diz, em essência: coloque esta sequência de glifos desta fonte nesta coordenada x e y, neste tamanho. O conversor percorre essa lista e começa a agrupar. Glifos que compartilham uma linha de base dentro de uma pequena tolerância viram uma linha. Linhas cujo espaço vertical corresponde à entrelinha do entorno viram um parágrafo; um espaço claramente maior encerra o parágrafo. O tamanho e o peso da fonte, comparados ao corpo de texto mais frequente da página, decidem o que vira título: uma linha quarenta por cento maior e seguida de um parágrafo normal é quase certamente um título, e é gravada no .docx como título de verdade, não como texto em negrito. Marcadores ou números no início de uma linha, com recuo constante nas linhas abaixo, viram itens de lista. Nada disso está armazenado no arquivo; tudo é inferência, e essa inferência é o que separa um resultado utilizável de um amontoado de linhas soltas.

Onde a reconstrução falha

Três layouts quebram essas suposições. Páginas em várias colunas são o caso clássico: duas colunas lado a lado compartilham linhas de base, então um leitor ingênuo costura a linha da coluna esquerda com a da direita e produz algo sem sentido. É preciso detectar o vão entre colunas e ler cada coluna até o fim antes de atravessar. Tabelas são o segundo caso: uma tabela é texto em coordenadas mais, às vezes, linhas — e muitas vezes sem linha nenhuma, de modo que uma tabela e uma lista de números bem alinhada são visualmente idênticas para o analisador. O terceiro são os títulos numerados. Uma linha que começa com "1. Objeto do Contrato" parece exatamente o primeiro item de uma lista numerada, e a ordem dos dois testes dentro do conversor decide qual você recebe. Nós caímos nessa e tivemos que colocar o teste de título antes do teste de lista, porque nos documentos que as pessoas realmente convertem um título numerado é muito mais comum do que uma lista de um item só.

PDFs digitalizados não entregam nada, e isso é honesto

Se a página saiu de um scanner ou da câmera do celular, ela contém uma imagem grande e nenhuma camada de texto. Não há glifos para agrupar, então não há nada para reconstruir. A ferramenta tem duas opções: devolver um documento vazio ou rodar reconhecimento óptico de caracteres para inventar texto a partir dos pixels. Nós não fazemos OCR, então recusamos o arquivo e dizemos o motivo, em vez de entregar um .docx com três páginas em branco. Isso importa mais do que parece: numa pequena amostra de documentos reais que testamos, três de cada cinco PDFs legíveis eram digitalizações. Se o seu está nesse grupo, o passo honesto é uma ferramenta de OCR, e convém tratar a saída dela como rascunho a revisar e não como texto recuperado: o OCR adivinha caracteres a partir de formas, e errar com confiança é o modo normal de falhar dele.

Fontes, codificação e o problema dos caracteres quebrados

Há uma segunda falha, mais silenciosa: o mapeamento de caracteres. Um PDF pode embutir um subconjunto de fonte com numeração interna própria e fornecer uma tabela que converte esses números de volta em caracteres reais. Quando essa tabela falta ou está errada — comum em arquivos feitos por softwares de editoração antigos e em documentos cujos acentos e cedilhas foram substituídos na impressão — o texto extraído sai como lixo verossímil: formatos de palavra corretos, letras erradas. O conversor não consegue consertar isso a partir do arquivo, porque a informação simplesmente não está lá. O sinal é que esse mesmo documento também não é pesquisável num leitor de PDF: procure com Ctrl+F uma palavra que você vê claramente na tela e, se o leitor também não encontrar, o mapeamento está quebrado e toda ferramenta vai produzir a mesma bagunça. Nesse caso o que você quer é o documento original, não o PDF.

Como conferir o resultado antes de confiar nele

Abra o .docx e verifique quatro coisas nesta ordem. Primeira: o texto corre na ordem certa? Leia a primeira página inteira, porque erros de coluna aparecem ali de imediato e somem numa olhada rápida. Segunda: os títulos são títulos de verdade? Clique em um e olhe a caixa de estilos; se disser Título 1, você consegue reconstruir o sumário, se disser Normal você tem apenas texto em negrito. Terceira: olhe qualquer tabela e confirme que nenhum valor pulou de coluna. Quarta: procure um número que você sabe estar no meio do documento — um total, uma data, uma linha de nota fiscal — e confirme que sobreviveu, porque conteúdo perdido é a falha que mais custa e menos aparece. Nossa própria bateria de verificação roda exatamente essa última checagem a cada build, justamente porque é a que um revisor humano pula.

Quais documentos convertem bem

Uma regra prática: se o documento nasceu digital num editor de texto ou num sistema oficial e é de coluna única, o resultado costuma ser diretamente editável. Contratos, ofícios, certidões, comprovantes bancários e relatórios entram nesse grupo. Folhetos com muito design, páginas de revista, artigos em duas colunas e arquivos de diagramação são recuperados apenas como texto, não como formatação: refazer o layout fica com você. O jeito mais rápido de saber em que grupo está um documento é tentar selecionar uma frase com o cursor no leitor de PDF: se a frase é selecionada, existe camada de texto e dá para converter; se a página inteira é selecionada como um bloco, o que você tem é uma imagem.