Como funciona o PDF por dentro: o que existe no arquivo

Um PDF descreve páginas prontas: posição de cada trecho de texto, linhas, formas e imagens, com as fontes que podem ir dentro do arquivo. É por isso que ele costuma abrir igual em vários aparelhos, e é também por isso que ele quebra essa promessa quando uma fonte não está incorporada. Entender o conteúdo do arquivo explica por que certas operações são fáceis e outras trabalhosas.

Um PDF descreve a página desenhada

A norma do PDF (ISO 32000) especifica uma forma digital de representar documentos, chamada Portable Document Format. Segundo a própria norma, o PDF foi desenvolvido e especificado pela Adobe a partir de 1993; a versão 1.7 é a base da edição ISO 32000-1, de 2008.

Em um PDF comum, o conteúdo de uma página é uma lista de instruções: posicionar estes caracteres nesta coordenada, com esta fonte e este tamanho, traçar uma linha, desenhar esta imagem neste retângulo. O leitor segue as instruções. É essa característica que dá previsibilidade à aparência da página.

Por consequência, editar PDF é diferente de editar um texto do Word. Em geral o arquivo não guarda parágrafos como unidades que se reorganizam: guarda trechos de texto em posições. Há uma exceção: o PDF com tags (Tagged PDF), em que o arquivo inclui uma estrutura lógica (títulos, parágrafos, listas, tabelas), usada, por exemplo, para acessibilidade. A norma não obriga os programas a gerar tags. Essa diferença está na raiz de não consigo editar PDF. O guia PDF ou DOCX compara as duas abordagens.

Objetos e a tabela de referência

O conteúdo é organizado em objetos. Páginas, fontes, imagens e o conteúdo desenhado de cada página são objetos. Um arquivo PDF tem cabeçalho (a primeira linha começa com %PDF- seguido da versão), corpo com os objetos, uma tabela de referência cruzada que indica onde cada objeto está e um trailer. O leitor consulta a tabela para ir direto a uma página sem ler o resto.

Duas consequências práticas:

Danos na estrutura podem tornar o arquivo ilegível. Se a tabela de referência ou o trailer estão danificados, o leitor pode não achar o conteúdo, mesmo que ele esteja no arquivo. Algumas ferramentas tentam reconstruir essas estruturas varrendo o arquivo. O qpdf, por exemplo, tenta recuperar arquivos danificados, mas a documentação avisa que a recuperação nem sempre produz o resultado desejado.

Alterações podem ser incrementais. Segundo a norma (seção 7.5.6), um PDF pode ser atualizado sem reescrever o arquivo inteiro: as mudanças são acrescentadas ao fim, deixando o conteúdo original intacto, e objetos deletados são mantidos como estavam, só marcados como deletados. Isso explica por que “apagar” algo de um PDF nem sempre apaga de verdade. O guia segurança de PDF trata disso.

Fontes: a promessa e a letra miúda

Para a página aparecer igual em outra máquina, o leitor precisa dos desenhos das letras. A solução do PDF é incorporar a fonte: colocar o programa da fonte dentro do arquivo (seção 9.9 da norma). Com a fonte incorporada, não importa o que está instalado na máquina de quem abre.

Mas nem toda fonte vai dentro do arquivo. A norma lembra que fontes são protegidas por direito autoral e que o titular pode impor condições, entre elas a de que a fonte não seja incorporada. Quando o PDF não incorpora uma fonte, o programa de leitura precisa substituí-la por outra parecida que exista na máquina. A largura das letras muda, e o texto pode ocupar mais ou menos espaço do que o original, o que desloca linhas e tabelas.

A Adobe descreve a opção de incorporar todas as fontes como crucial para manter a aparência entre sistemas, ao custo de um arquivo maior. Nas opções de exportação para PDF do Word, a Microsoft descreve a caixa “Texto de bitmap quando as fontes não podem ser incorporadas”, que usa imagens do texto quando uma fonte não pode ser incorporada. Sem essa opção e com uma fonte que não admite incorporação, o leitor de PDF pode substituí-la por outra.

Se você já passou por isso, veja fonte errada no PDF.

Vetorial e raster: por que o zoom às vezes borra

Vetorial é a descrição matemática de formas e de letras: o leitor as redesenha no tamanho que você pedir, então o texto continua nítido em qualquer ampliação. Raster é uma grade de pixels, como em uma foto ou em uma digitalização. Ampliar não cria detalhe, e os pixels aparecem.

O teste é imediato: dê zoom no PDF. Se as letras continuam nítidas, são texto vetorial; se borram, você está vendo uma imagem. Isso também explica o peso do arquivo: texto e formas vetoriais ocupam pouco espaço, e imagens ocupam muito. Como ordem de grandeza ilustrativa, um contrato digitado costuma ser bem menor do que as mesmas páginas digitalizadas em cores. A maior parte dos casos de PDF muito grande para enviar é, no fundo, um problema de imagens, e comprimir o PDF acaba sendo reduzir essas imagens.

Texto que existe e texto que não existe

PDF não garante texto. Quando o arquivo nasce de um programa, os caracteres existem como caracteres: dá para selecionar, copiar, buscar com Ctrl+F e extrair o texto. Quando nasce de um scanner ou da câmera do celular, a página costuma ser uma imagem: não há caracteres, só pixels. A busca não acha nada, a seleção não pega e a extração devolve vazio.

A ponte entre os dois mundos é o OCR, que reconhece as letras na imagem. No FacilPDF, a ferramenta de OCR gera um novo PDF em que cada página é a imagem original com uma camada de texto invisível, que torna o arquivo pesquisável. O tutorial como fazer OCR em PDF explica o passo a passo.

É por isso que a pergunta “dá para editar meu PDF?” tem respostas diferentes conforme o arquivo, e que o teste de tentar selecionar o texto com o mouse resolve tanta dúvida.

O que mais mora no arquivo

• Metadados: a norma prevê o dicionário de informações do documento (título, autor, assunto, palavras-chave, criador, produtor e datas) e um bloco XMP. Veja metadados de PDF.
• Estrutura de acessibilidade: as tags que indicam títulos, listas, tabelas e texto alternativo de imagens, usadas por leitores de tela. Veja PDF acessível.
• Criptografia e permissões: senhas de usuário e de proprietário e flags de permissão. Veja segurança de PDF.
• Anotações e formulários: campos preenchíveis e comentários, separados do conteúdo da página.
• Assinaturas digitais: registradas no próprio arquivo, em que uma alteração posterior ao conteúdo assinado pode ser detectada. Veja assinatura eletrônica x digital.

Resumo

Um PDF é um conjunto de objetos, com uma tabela que aponta onde cada um está, descrevendo páginas desenhadas. Ele mantém a aparência porque guarda posições exatas e pode levar as fontes dentro do arquivo, e perde essa garantia quando a fonte não está incorporada. Texto e formas vetoriais são leves e nítidos em qualquer zoom; digitalização é imagem, pesa mais e não tem texto até passar por OCR.