Arquivos do Word: um DOCX é um ZIP cheio de XML, e por que converter para ele é difícil

Vale dizer essa assimetria com clareza: gravar um DOCX é viável, lê-lo com fidelidade não é. Gerar um documento significa produzir XML para parágrafos, títulos e trechos de texto — uma biblioteca dá conta disso. Renderizar um DOCX existente exatamente como o Word faria significa reproduzir décadas de comportamento de layout, o que na prática exige o Word ou o LibreOffice. É por isso que as conversões daqui vão para DOCX, e não a partir dele.

Quando a origem é um PDF, a dificuldade passa para o outro lado. Um PDF armazena sequências de glifos posicionadas em vez de parágrafos, então montar um DOCX a partir dele significa deduzir uma estrutura que nunca foi registrada: agrupar glifos em linhas pela linha de base, adivinhar quebras de parágrafo, ordenar os tamanhos de fonte para identificar títulos. Texto corrido comum passa bem. Layouts em várias colunas, tabelas e imagens flutuantes não, porque a informação necessária para reconstruí-los não está no arquivo.

Se o PDF for uma digitalização, não há texto nenhum com que trabalhar, e este site lê os caracteres das imagens das páginas com um modelo de reconhecimento por IA que roda na sua própria máquina, em vez de enviar o arquivo. O resultado é um documento do Word que você pode editar, com a ressalva de que o reconhecimento não é perfeito e o layout é reconstruído, e não preservado.