Arquivos PDF: por que é tão difícil tirar o texto de volta

Na prática, um PDF não tem parágrafos, nem linhas e muitas vezes nem palavras. Ele tem sequências de glifos posicionadas. A frase que você está lendo pode estar armazenada como uma dúzia de sequências separadas em coordenadas calculadas, e o espaço entre duas palavras pode ser apenas a ausência de tinta, e não um caractere de espaço. Todo conversor de PDF para texto ou para Word, incluindo este, está portanto reconstruindo: agrupa as sequências pela linha de base para recuperar as linhas, adivinha onde terminam os parágrafos, deduz títulos pelo tamanho da fonte. Funciona bem para texto corrido comum e achata colunas e tabelas, porque a informação necessária para mantê-las nunca esteve no arquivo.

A segunda coisa a saber é que “PDF” abrange duas situações totalmente diferentes. Um PDF exportado do Word ou de um navegador contém texto de verdade, que você pode pesquisar e copiar. Um PDF gerado por um scanner ou pela câmera do celular contém fotografias de páginas e nenhum texto — as palavras são pixels, e nada consegue extraí-las sem reconhecimento de caracteres. Este site detecta esse caso e roda um modelo de reconhecimento por IA na sua própria máquina em vez de enviar o arquivo, o que é incomum: o OCR costuma ser justamente o ponto em que um conversor manda o seu documento para um servidor.

O PDF também é onde a privacidade deixa de ser abstrata. É nesse formato que circulam contratos, holerites, extratos bancários, laudos médicos, notas fiscais e documentos de identidade digitalizados. Toda conversão aqui roda dentro da página — o PDF é aberto, renderizado e lido por código no seu navegador, e nenhuma requisição leva o arquivo. É por isso que este conversor foi construído assim, e o PDF é a categoria em que isso mais importa.