Por que PDFs digitalizados são tão grandes

Uma carta de cinco páginas escrita num editor de texto e exportada em PDF costuma ter menos de 200 KB. As mesmas cinco páginas, impressas, assinadas e digitalizadas de volta, chegam tranquilamente a 15 MB — setenta e cinco vezes mais para um documento que contém exatamente as mesmas palavras. Nada deu errado; os dois arquivos simplesmente não são o mesmo tipo de objeto. Um contém instruções de texto e uma fonte. O outro contém cinco fotografias de papel. Assim que você enxerga uma digitalização como álbum de fotos e não como documento, todo o comportamento dela fica previsível: por que é enorme, por que você não consegue pesquisar dentro, por que converter para Word não rende nada e por que ela comprime melhor do que qualquer outro arquivo seu.

De onde vêm os megabytes

Três ajustes do scanner se multiplicam entre si. O primeiro é a resolução: uma página A4 a 300 pontos por polegada tem cerca de 2480 por 3508 pixels, aproximadamente 8,7 milhões deles. Suba para 600 dpi e viram quase 35 milhões — quatro vezes mais dados por um detalhe que nenhuma tela mostrará e que nenhuma impressora precisa para texto comum. O segundo é a profundidade de cor: cor total guarda três valores por pixel, tons de cinza guarda um e preto e branco puro guarda um único bit. Digitalizar em cores uma página de tinta preta sobre papel branco triplica os dados brutos antes da compressão e devolve nada além de um bege apagado onde estava o papel. O terceiro é a codificação escolhida pelo scanner: se ele guarda as páginas sem perdas, cada partícula de poeira e cada fibra do papel são preservadas byte a byte, e o ruído do próprio papel vira uma parte considerável do seu arquivo.

O preço da textura do papel

Esse último ponto surpreende. Compressão funciona encontrando repetição, e um campo de branco limpo comprime até quase nada. Mas uma página branca digitalizada não é branca: são milhares de valores quase brancos levemente diferentes, produzidos pela granulação do papel, pela variação da lâmpada e pelo ruído do sensor. Para um compressor sem perdas esse campo é detalhe imprevisível e precisa ser preservado exatamente, então uma página em branco custa megabytes de verdade. Digitalizar em tons de cinza em vez de colorido ajuda, e digitalizar no modo texto ou de remoção de trama que quase todo driver oferece ajuda mais, porque esses modos achatam os valores quase brancos para branco antes de a página ser codificada. Se você já se perguntou por que a digitalização de uma folha vazia é maior que um documento de texto de quarenta páginas, é por isso.

Por que você não consegue pesquisar nem converter

Uma página digitalizada não contém camada de texto nenhuma. Não há glifos nem códigos de caractere — só pixels com formato de letra. A busca do seu leitor não encontra nada, o botão de copiar não seleciona nada e um conversor de PDF para Word produz honestamente um documento vazio. A única forma de acrescentar texto é o reconhecimento óptico de caracteres, que examina os pixels e adivinha caracteres. O OCR moderno é bom em páginas impressas, limpas e retas, e pouco confiável com manuscritos, cópias apagadas, carimbos, tabelas e qualquer coisa fotografada em ângulo. Além disso falha em silêncio: um caractere errado e confiante parece exatamente igual a um certo, então a saída de OCR sobre algo importante é rascunho a revisar, não texto recuperado.

Salvar um arquivo que já te enviaram

Você em geral não pode redigitalizar o documento de outra pessoa, então a solução prática é recodificar. Este é o caso em que a compressão brilha, porque uma digitalização é dado de imagem puro e dado de imagem é exatamente o que um compressor consegue refazer. Nas nossas medições, um documento digitalizado de doze páginas caiu de 17,69 MB para 1,49 MB — 91,6 por cento — e continuou perfeitamente legível na tela. Esse tipo de resultado é normal em digitalizações e inatingível em documentos de texto, que não têm nada comparável a dar. Confira o resultado em zoom total e não como miniatura, e olhe especificamente as marcas menores da página: uma assinatura, um carimbo, uma nota de rodapé, uma anotação à mão. Se elas sobreviveram, o arquivo está bom.

Acertar no scanner

Quando a digitalização é sua, os ajustes que importam são simples. Use 300 dpi para documentos que talvez precise ampliar ou passar por OCR depois, e 200 dpi para papelada do dia a dia; 600 dpi é para fotografias e desenhos finos, não para uma nota fiscal assinada. Use tons de cinza a menos que a cor carregue informação — um carimbo colorido, uma cláusula destacada, um gráfico. Deixe o driver salvar como JPEG dentro do PDF em vez de sem perdas, se ele oferecer a escolha, e ligue as funções de correção automática de inclinação e de remoção de páginas em branco. A câmera do celular é um scanner legítimo na correria, mas fotografe a página plana, com luz uniforme e preenchendo o quadro, e use um aplicativo de digitalização que corrija a perspectiva em vez da câmera comum, porque uma página fotografada em ângulo derrota o OCR e parece desleixada.

Quando ser grande é a resposta certa

Nem toda digitalização grande é erro. A digitalização de manuscritos, plantas, imagens médicas e qualquer coisa com peso jurídico é feita de propósito em alta resolução, colorida e sem perdas, justamente porque informação descartada hoje não volta amanhã. A regra é perguntar quem lê o arquivo e quanto tempo ele precisa durar. Uma digitalização enviada esta tarde a um colega deve ser pequena e legível. A digitalização de uma escritura que ficará guardada trinta anos deve ser grande e fiel, e a cópia que você envia por e-mail deve ser um derivado comprimido dela, não o arquivo mestre. Guardar os dois, quando o documento merece, custa um pouco de disco e encerra a questão de vez.

Um jeito rápido de diagnosticar qualquer arquivo

Se você não sabe que tipo de PDF tem, dois testes de cinco segundos resolvem. Tente selecionar uma frase com o cursor: se a página inteira ficar marcada como um bloco, é imagem e você tem uma digitalização. Depois compare o tamanho com o número de páginas — um documento com média acima de meio megabyte por página é pesado em imagens quase sem exceção. Essas duas conferências dizem na hora se a compressão vai ajudar de forma drástica, se a extração de texto vai funcionar e se, na verdade, você deveria pedir ao remetente o arquivo digital original, que muitas vezes é a solução mais rápida de todas.