PDF para DOCX

Deduzindo estrutura a partir de coordenadas

Um PDF não tem parágrafos. Ele tem glifos, cada um com posição, tamanho e fonte, e tudo o que um leitor percebe como estrutura é efeito de onde esses glifos foram colocados. Converter um deles para Word significa deduzir a estrutura de volta — e essa dedução, e não o formato do arquivo, é o problema inteiro.

Caracteres que compartilham a mesma linha de base formam uma linha. Espaços horizontais maiores que um quinto do tamanho da fonte viram espaços entre palavras, porque um PDF pode posicionar cada palavra na mão e não codificar espaço nenhum. Linhas formam um parágrafo até que algo diga o contrário: um vão maior que a entrelinha, uma mudança de tamanho, um novo recuo, ou uma linha anterior que parou antes da borda da coluna — que é exatamente a aparência, vista de fora, da última linha de um parágrafo.

Os controles da barra de ferramentas

Refazer parágrafos

Junta as linhas visuais de volta em parágrafos corridos, reunindo palavras que a composição separou com hífen no fim da linha. Mude para uma linha cada em poesia, código, formulários e qualquer coisa em que a quebra de linha é o conteúdo.

Páginas

Lê apenas um intervalo. Num relatório longo isso é a diferença entre um segundo e um minuto, já que quase todo o tempo vai na análise das páginas.

Títulos

Promove a Título 1-4 as linhas curtas que são significativamente maiores que o texto do corpo, para que o resultado tenha uma estrutura de tópicos real e painel de navegação no Word.

Listas

Reconhece glifos de marcador e marcações 1. / a) / iv., remove-os do texto e reconstrói o item como uma lista real do Word, recuada no nível que a diagramação sugeria.

Remover cabeçalhos

Descarta linhas que se repetem perto do topo ou do rodapé da maioria das páginas e linhas que são apenas um número de página. Sem isso, um cabeçalho recorrente aparece uma vez por página no meio do seu documento.

Quebras de página

Mantém uma quebra explícita onde cada página do PDF terminava. Desligado por padrão, porque um documento do Word reflui e uma quebra no meio de uma frase é pior do que quebra nenhuma.

Onde a dedução desiste

• Páginas escaneadas. Um escaneamento é uma imagem de palavras. Transformá-lo de volta em palavras é OCR, o que esta ferramenta não faz — essas páginas vêm como imagens para o documento continuar completo, e cada uma é citada no relatório.
• Tabelas. Tabelas com linhas costumam chegar como o seu texto, em ordem de leitura. Distinguir uma tabela de verdade de um texto que apenas está alinhado é adivinhação, e errar embaralha o conteúdo em vez de apenas perder a grade.
• Negrito e itálico. Peso e inclinação só são recuperáveis quando o PDF referenciava uma fonte em vez de incorporá-la. Quando não é o caso, os títulos ainda saem em negrito porque são títulos, e o texto do corpo sai simples.
• A página como imagem. O Word reflui e o PDF não, então o resultado reproduz a estrutura e não as posições dos pixels. Se o que importa é o layout visual, o PDF já faz esse trabalho.

Perguntas frequentes

Como um PDF pode virar um Word editável?

Um PDF não guarda parágrafos — guarda glifos em coordenadas. Então o conversor lê a geometria de volta: caracteres na mesma altura formam uma linha, o espaçamento entre linhas decide onde um parágrafo termina e o próximo começa, e linhas maiores que a média viram títulos. O resultado é um .docx de verdade, com estilos reais de parágrafo e de lista, e não um bloco gigante de texto.

Funciona com um PDF escaneado?

Só em parte. Um escaneamento guarda imagens de palavras, não palavras, e lê-las de volta exige OCR, o que esta ferramenta não faz. Páginas sem camada de texto são levadas como imagens para o documento continuar completo, e cada uma é reportada para você saber quais páginas teria de redigitar.

Por que o layout não bate exatamente com o do PDF?

Porque um documento do Word reflui e um PDF não. O conversor reproduz a estrutura — títulos, parágrafos, listas, alinhamento, recuos — em vez das posições dos pixels, e é isso que torna o resultado editável. Se você precisa do layout visual preservado, o PDF já faz esse trabalho.

O que acontece com tabelas e colunas?

Uma tabela com linhas normalmente volta como o seu texto, em ordem de leitura, e não como tabela do Word: distinguir uma tabela de verdade de um texto que por acaso está alinhado é adivinhação sem as bordas, e errar embaralha o conteúdo. Páginas de várias colunas são lidas coluna a coluna quando o espaçamento deixa as colunas evidentes, e da esquerda para a direita caso contrário.

Dá para converter só uma parte do documento?

Dá. Defina a primeira e a última página na barra de ferramentas e só esse intervalo é lido. Vale a pena num relatório longo: a maior parte do tempo de conversão é gasta analisando páginas de que você talvez não precise.

Para que servem os controles de cabeçalhos e números de página?

Um cabeçalho ou rodapé recorrente se repete em todas as páginas do PDF e, sem tratamento, apareceria dezenas de vezes no meio do seu documento do Word. Com a remoção ligada, ficam de fora as linhas que se repetem perto do topo ou do rodapé da maioria das páginas e as linhas que são apenas um número de página.