Converter PDF em Word

Para editar um PDF, normalmente se volta ao documento que o gerou; quando esse documento se perdeu, tudo o que resta é o PDF. Este conversor reconstrói um PDF como um arquivo .docx em que cada linha de texto é texto de verdade do Word, editável e posicionado no lugar original, sobre uma imagem de tudo o que não era texto. Ele processa diretamente PDFs gerados digitalmente e recorre ao reconhecimento óptico de caracteres (OCR) para documentos digitalizados, tudo no seu navegador.

Como funciona

Escolha um PDF e clique em Converter para Word. Para cada página, a ferramenta, usando o pdf.js:

1. Extrai cada item de texto com posição, tamanho e nome da fonte, e percorre os operadores de desenho da página para descobrir a cor de preenchimento em vigor quando cada item foi pintado. Negrito e itálico são inferidos pelo nome da fonte (uma sequência de glifos em Helvetica-BoldOblique vira negrito itálico), e a fonte do PDF é mapeada para uma fonte equivalente do Word.
2. Agrupa os itens em linhas e renderiza a página em um canvas com resolução 2×.
3. Apaga cada linha de texto desse canvas preenchendo a área dela com a cor de fundo ao redor, o que deixa intactos logotipos, fios, bordas de tabela, fotos e painéis coloridos. Se só sobrar cor chapada, nenhuma imagem é armazenada.
4. Monta a página com a biblioteca docx: uma página do mesmo tamanho, sem margens, o canvas já vazado como PNG ancorado atrás do texto e um quadro de texto com posicionamento absoluto para cada linha, com o tamanho, o peso, o estilo e a cor originais. Como o Word substitui fontes, os caracteres de cada linha são levemente esticados ou condensados para que ela ocupe a mesma largura que no PDF.

O resultado é baixado com o nome do seu arquivo e a extensão .docx, junto com a contagem de linhas reconstruídas.

PDFs digitalizados e compostos só de imagens

Quando uma página não tem texto incorporado, a ferramenta passa para OCR com o tesseract.js, a versão em WebAssembly do mecanismo Tesseract. No primeiro uso, ela baixa o mecanismo e os dados do idioma inglês, cerca de 15 MB, de uma rede de distribuição de conteúdo (CDN) e os guarda em cache; o seu documento não faz parte desse download e nunca sai do seu dispositivo. As palavras reconhecidas são colocadas nas posições informadas pelo Tesseract, com negrito e itálico extraídos da própria análise de layout do Tesseract, e o mesmo vazado e a mesma imagem de fundo são aplicados.

O progresso é mostrado página a página porque o OCR é lento. A precisão depende da digitalização: páginas em 300 DPI, retas e com bom contraste são bem reconhecidas; fotos tiradas com o celular, faxes e digitalizações tortas ou de baixa resolução geram erros que você vai precisar corrigir na revisão. Só o inglês é reconhecido; texto em outros idiomas vai sair ilegível.

Editando o resultado

O documento reproduz fielmente o layout, mas o texto não flui. Cada linha fica em um quadro próprio, então digitar mais em uma linha aumenta esse quadro em vez de empurrar as linhas seguintes para baixo, e apagar um parágrafo deixa um buraco. Isso é ótimo para corrigir um valor, uma data ou um nome em um extrato, uma nota fiscal ou um certificado, e pouco prático para reescrever um texto corrido. Para um texto em prosa que você pretende reestruturar, extraia o texto (veja abaixo) e cole-o em um documento novo.

As tabelas mantêm a aparência porque as bordas ficam na imagem de fundo e o texto das células fica por cima, mas elas não são tabelas do Word. Hiperlinks, indicadores e campos de formulário não são transferidos. Texto girado ou vertical é colocado no ponto de ancoragem, mas não é girado.

Equivalente na linha de comando

Para obter texto puro com a estrutura de linhas original, o pdftotext do poppler é rápido e confiável, e o OCR de uma digitalização pode ser feito diretamente com o Tesseract:

pdftotext -layout statement.pdf statement.txt
tesseract scan-page1.png output --dpi 300 pdf     # searchable PDF from an image

Saiba mais

Extração e OCR em lote em uma pasta cheia de arquivos são tarefas de shell: noções básicas de shell cobre os loops, e processamento de texto com grep, sed e awk mostra como extrair campos estruturados do texto resultante. Converta o documento editado de volta com Word para PDF, ou renderize as páginas como imagens com PDF para imagem se você só precisa de uma cópia visual.