Converter Word em PDF

Enviar um arquivo .docx significa confiar que o software de quem recebe vai diagramá-lo do mesmo jeito que o seu; enviar um PDF significa que ele vai ficar igual em qualquer lugar. Este conversor gera esse PDF no seu navegador, e faz isso renderizando o documento em vez de traduzi-lo de um formato para outro. É por isso que ele é rápido e confiável, e é também por isso que o resultado tem uma limitação específica que vale a pena conhecer.

Como funciona

Escolha um arquivo .docx (o antigo formato binário .doc não é suportado; como um .docx é um arquivo ZIP, a ferramenta confere a assinatura ZIP do arquivo antes de qualquer coisa). A conversão acontece em três etapas, cada uma com uma biblioteca carregada sob demanda:

1. O mammoth lê o XML do documento e gera um HTML semântico limpo: títulos, parágrafos, trechos em negrito e itálico, listas com marcadores e numeradas, tabelas e imagens incorporadas. Ele ignora de propósito a formatação visual do Word e fica só com a estrutura.
2. Esse HTML é colocado em um contêiner fora da tela com 794 pixels de largura, a largura de uma página A4 a 96 DPI, com um preenchimento de uma polegada, texto preto com serifa em 16 pixels e bordas de tabela simples. O html2canvas pinta tudo isso em um canvas com resolução 2×.
3. Esse canvas bem alto é fatiado em faixas do tamanho de um A4, e o jsPDF coloca cada faixa em uma página como JPEG com 92% de qualidade. O resultado é baixado com o nome do seu arquivo e a extensão .pdf.

O número de páginas é informado ao final da conversão. Nada é enviado para servidor nenhum.

O que o PDF contém

O PDF contém imagens das páginas, não texto. Ele fica com a aparência certa, imprime bem e abre em qualquer lugar, mas o texto não pode ser selecionado, pesquisado nem lido por um leitor de tela, e o arquivo fica maior que uma exportação nativa, já que cada página é um bitmap 2×. Se quem recebe precisar copiar o texto, ou se o documento for arquivado ou indexado, exporte para PDF pelo Word ou pelo LibreOffice. Use esta ferramenta quando precisar de uma cópia rápida e confiável para compartilhar ou imprimir e não houver nenhum aplicativo de desktop à mão.

O que é preservado e o que não é

A estrutura passa: títulos, quebras de parágrafo, listas com seus níveis, tabelas com bordas, imagens inline e ênfase básica. O layout não. Mais especificamente:

• Fontes, cores, espaçamentos e alinhamentos definidos no Word são substituídos pelo estilo fixo com serifa descrito acima, então uma página cuidadosamente diagramada vai parecer mais simples.
• As quebras de página caem onde caem os cortes A4, e não onde o Word as colocou. Uma linha de texto pode ficar dividida entre duas páginas; deixe uma folga ou divida o documento se isso fizer diferença.
• Cabeçalhos, rodapés, números de página, notas de rodapé, comentários, controle de alterações, caixas de texto, formas, várias colunas e seções em paisagem não são renderizados.
• As imagens aparecem no tamanho natural, limitadas à largura da página.

Documentos que são basicamente texto corrido (cartas, redações, atas, relatórios simples) convertem bem. Folhetos, formulários e qualquer coisa montada com caixas de texto ou colunas, não.

Equivalente na linha de comando

O LibreOffice faz uma conversão de verdade, com uma camada de texto real e layout compatível com o Word:

libreoffice --headless --convert-to pdf --outdir out/ report.docx

pandoc report.docx -o report.pdf é uma alternativa que, assim como esta ferramenta, mantém a estrutura e descarta a maior parte da formatação visual, mas gera texto selecionável.

Para saber mais

Rodar o LibreOffice em modo headless sobre uma pasta de documentos em um servidor é questão de um script curto, e fundamentos do shell explica o loop e o uso de aspas nos nomes de arquivo de que ele precisa. A renderização em canvas usada aqui é descrita em o essencial do HTML5. Para fazer o caminho inverso, PDF para Word reconstrói um documento editável a partir de um PDF, e o compressor de PDF pode reduzir o resultado se as páginas em bitmap o deixarem pesado.