O formato PDF explicado: o que um PDF realmente contém

Uma linguagem de descrição de páginas, não um formato de documento

O PDF nasceu de ideias desenvolvidas para o PostScript, a linguagem que as impressoras usam para desenhar páginas, e virou um padrão ISO aberto em 2008. Um arquivo PDF é uma coleção de objetos: dicionários, arrays, fluxos de operadores de desenho e uma tabela de referências cruzadas que informa onde cada objeto fica. O trailer aponta para o primeiro objeto e para um catálogo de documento que leva às páginas. Arquivos modernos costumam empacotar esses objetos em fluxos de objetos comprimidos e substituir a tabela simples por um fluxo de referências cruzadas, e por isso um PDF pode parecer ilegível em um editor de texto mesmo abrindo perfeitamente em um leitor.

Cada página carrega um fluxo de conteúdo. Quando você lê esse fluxo em um editor de texto, encontra operadores como mover, desenhar linha, definir fonte, mostrar glifo e preencher, além de coordenadas para cada um deles. Nada no arquivo descreve um parágrafo, um título ou um estilo de editor de texto. A página é um desenho, e o desenho é o documento.

Texto, fontes e imagens vivem em camadas diferentes

O texto em um PDF é desenhado com uma fonte. A fonte pode estar totalmente incorporada, mas normalmente é reduzida aos caracteres que a página realmente usa, e por isso um relatório de cem páginas pode incorporar apenas alguns kilobytes de uma família tipográfica. Cada sequência de caracteres é posicionada com uma matriz de texto, e uma tabela de mapeamento separada chamada ToUnicode CMap diz aos extratores qual caractere cada glifo representa.

Arte vetorial, como logotipos, gráficos e filetes, é armazenada como caminhos e curvas, então continua nítida em qualquer nível de zoom. Fotografias são objetos raster separados, e a compressão delas é escolhida de forma independente. Um único PDF pode, portanto, conter texto vetorial nítido ao lado de uma foto JPEG muito comprimida e de uma captura de tela comprimida com Flate, e a qualidade de cada parte é decidida por como o arquivo foi criado.

Por que editar um PDF é difícil

Como cada glifo tem uma posição, um editor não pode simplesmente inserir uma palavra e deixar o resto do parágrafo se reajustar. Ele precisa descobrir quais glifos formam juntos uma linha, quais linhas formam um parágrafo, quais eram a fonte e o espaçamento e onde o parágrafo deve quebrar. Essa reconstrução é um chute, especialmente em arquivos produzidos por softwares de design.

PDFs digitalizados aumentam o problema. Um scanner produz uma imagem da página, então o arquivo não contém texto nenhum até alguém rodar reconhecimento óptico de caracteres. O OCR pode adicionar uma camada de texto invisível que torna a página pesquisável, mas pode ler errado fontes incomuns, impressões fracas ou tabelas. Se selecionar texto não faz nada, a página é quase certamente uma imagem.

Para que o PDF realmente serve

O formato conquista seu lugar sempre que a aparência de uma página importa mais do que sua editabilidade. Contratos, faturas, extratos, ingressos, manuais e arte pronta para impressão dependem do PDF para manter margens, fontes e quebras de página no lugar, mesmo quando o arquivo é aberto em uma máquina que não tem o mesmo software nem as mesmas fontes instaladas.

O PDF também suporta recursos que um formato de documento simples raramente oferece: formulários, arquivos incorporados, assinaturas digitais, criptografia com permissões, etiquetas de acessibilidade quando o autor as adiciona e perfis de arquivamento como o PDF/A, que restringem recursos para armazenamento de longo prazo. Essas capacidades são a razão pela qual governos e arquivos especificam PDF em vez de Word.

Quando converter um PDF faz sentido

Converta quando o novo formato serve para outro trabalho. Um relatório com muito texto fica editável em um processador de texto; uma única página vira JPG ou PNG para um slide, chat ou anúncio; apenas as palavras viram texto simples para busca ou tradução; um escaneamento pesado diminui para envio por e-mail; vários arquivos viram um ou um arquivo vira vários.

• Editar ou reescrever um documento com muito texto: converta PDF para Word e conte com limpar a formatação.
• Inserir uma página em uma apresentação ou postagem social: renderize essa página como JPG ou PNG.
• Reutilizar parágrafos em outro aplicativo: extraia o texto em vez de converter o layout inteiro.
• Enviar por e-mail ou carregar em um portal: comprima as imagens primeiro e depois confira o resultado.
• Imprimir profissionalmente: mantenha o PDF original e peça à gráfica o perfil que ela prefere.