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

Você já reparou que um PDF abre exatamente igual no seu notebook, no celular do seu colega e na impressora da gráfica? E que, de vez em quando, ele quebra essa promessa e aparece com uma fonte esquisita?

Entender o que existe dentro do arquivo explica os dois comportamentos. E, principalmente, explica por que certas operações são fáceis e outras são um pesadelo.

Um PDF é uma lista de instruções de desenho

A ideia central é essa. Um PDF não descreve um documento no sentido de “capítulo, parágrafo, título”. Ele descreve uma página desenhada.

Por dentro, o arquivo diz coisas como: coloque este caractere nesta coordenada, com esta fonte, neste tamanho. Depois este outro, aqui. Trace uma linha daqui até ali. Desenhe esta imagem neste retângulo.

É por isso que o PDF é confiável para entrega. Não existe interpretação. O leitor não decide nada — ele obedece.

E é também por isso que editar PDF é chato. Quando você apaga uma palavra no meio de um parágrafo, o texto não se reorganiza sozinho, porque o arquivo não sabe que aquilo é um parágrafo. Ele só sabe que existem caracteres em posições. Essa é a raiz de não consigo editar PDF.

O Word faz o contrário: guarda a estrutura e monta a página na hora. As vantagens e desvantagens de cada abordagem estão no guia PDF ou DOCX.

Objetos: as peças do arquivo

O conteúdo de um PDF é organizado em objetos. Cada peça é um objeto numerado: uma página é um objeto, uma fonte é um objeto, uma imagem é um objeto, o conteúdo desenhado de cada página é um objeto.

Existe um índice no fim do arquivo (a tabela de referência cruzada) que diz onde cada objeto está. É o sumário interno. Quando você abre um PDF de 500 páginas e ele mostra a página 300 instantaneamente, é porque o leitor consultou esse índice e foi direto ao ponto, sem ler o resto.

Duas consequências práticas disso:

Arquivo corrompido geralmente é índice corrompido. O conteúdo continua lá, mas o mapa se perdeu e o leitor não acha nada. Por isso algumas ferramentas de reparo conseguem recuperar PDFs “quebrados”: elas reconstroem o índice varrendo o arquivo.

Alterações podem ser incrementais. Quando você anota ou assina um PDF, alguns programas não reescrevem tudo — anexam as mudanças no fim e atualizam o índice. Isso permite verificar assinatura digital, porque a versão anterior continua ali dentro. Também significa 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

Aqui está o coração da história.

Para a página aparecer igual em toda máquina, o leitor precisa da fonte exata. Se o documento usa Calibri e o computador do outro não tem Calibri, o que acontece?

A solução do PDF é incorporar a fonte: colocar o desenho das letras dentro do próprio arquivo. Aí não importa o que a máquina tem instalado — a fonte viaja junto.

Em geral só entra o que é usado. Se o documento não tem nenhum “W”, o desenho do “W” pode nem estar lá. Isso se chama subconjunto e é o motivo de um PDF com dez fontes diferentes não pesar dez fontes inteiras.

Mas nem todo PDF incorpora. Alguns geradores deixam a opção desligada para economizar espaço. Outros esbarram em licença: certas fontes proíbem incorporação. Quando isso acontece, o leitor faz substituição — pega uma fonte parecida que exista na máquina e usa no lugar.

O resultado é aquele PDF em que o texto está todo lá, legível, mas o espaçamento ficou estranho, a tabela estourou e uma linha pulou para a página seguinte. Fontes diferentes têm larguras diferentes; o arquivo mandou desenhar o caractere na posição X, e o substituto ocupa mais espaço que o original.

Se você já passou por isso, fonte errada no PDF tem os caminhos de correção. A prevenção é simples: ao gerar o PDF, marque a opção de incorporar fontes. No Word ela está em Opções > Salvar. Para checar o que foi incorporado num arquivo existente, os metadados do PDF contam.

Vetorial e raster: por que o zoom às vezes borra

Duas formas completamente diferentes de guardar o que se vê na página.

Vetorial é descrição matemática. “Uma curva daqui até ali com este raio.” Texto e desenhos de programas de design são vetoriais. A vantagem: você amplia 800% e continua nítido, porque o leitor redesenha a curva no tamanho que você pediu. E ocupa pouquíssimo espaço — uma página de texto puro pode ter alguns kilobytes.

Raster é uma grade de pixels. Foto, digitalização, print de tela. Ampliar não cria detalhe que não existe: você vê os pixels. E ocupa muito espaço, porque cada ponto da imagem precisa ser guardado.

O teste é imediato: dê zoom no PDF. Se as letras continuam limpas, é texto vetorial. Se borram, você está olhando uma imagem.

Isso explica o peso dos arquivos. Um contrato de 20 páginas digitado tem uns 200 KB. As mesmas 20 páginas digitalizadas em cores viram 15 MB. O conteúdo é o mesmo; a forma de guardar não. Daí a maioria dos casos de PDF muito grande para enviar ser, no fundo, um problema de imagem — e comprimir o PDF significar reduzir a resolução dessas imagens.

Texto que existe e texto que não existe

Consequência direta do anterior: PDF não garante texto.

Quando o arquivo nasce de um programa, cada caractere está lá como caractere. Você seleciona, copia, busca com Ctrl+F, extrai o texto. Tudo funciona.

Quando o arquivo nasce de um scanner ou da câmera do celular, a página é uma foto. Não existe caractere nenhum — existem manchas escuras que parecem letras para os seus olhos e não significam nada para o computador. Buscar não acha, selecionar não pega, extrair devolve vazio.

A ponte entre os dois mundos é o OCR, que analisa a imagem, reconhece os desenhos das letras e adiciona uma camada de texto invisível por cima. A foto continua ali, mas agora existe texto atrás dela. O guia o que é OCR explica em detalhe.

É por isso que a mesma pergunta (“dá para editar meu PDF?”) tem respostas opostas dependendo do arquivo. E é por isso que o teste do mouse — tentar selecionar o texto — resolve tanta dúvida antes de você perder tempo com a ferramenta errada.

O que mais mora no arquivo

Além do que se vê:

• Metadados: autor, programa que gerou, datas de criação e alteração. Costumam entregar mais do que você imagina.
• Marcadores: aquele índice lateral que leva direto ao capítulo.
• Anotações e formulários: campos preenchíveis e comentários vivem em camada própria, separada do conteúdo.
• Estrutura de acessibilidade: as tags que dizem “isto é um título, isto é uma imagem com esta descrição”, usadas por leitores de tela. Veja PDF acessível.
• Assinaturas digitais: com o registro do estado do arquivo no momento da assinatura.

Resumo

Um PDF é uma lista de instruções de desenho organizada em objetos, com um índice que aponta onde cada peça está. Ele mantém a aparência porque guarda posições exatas e carrega as fontes dentro do arquivo — e quebra essa promessa justamente quando a fonte não foi incorporada e o leitor precisa substituir. Texto vetorial é leve e nítido em qualquer zoom; digitalização é imagem, pesa muito e não tem texto até passar por OCR.