O que é PDF? Estrutura, história e dicas de conversão

Quando você envia um contrato por e-mail, quer que ele abra do outro lado com o mesmo layout, as mesmas fontes e as mesmas quebras de página. O PDF (Portable Document Format) foi criado exatamente para isso. Hoje, a maioria dos documentos considerados "finais", de notas fiscais e decisões judiciais a artigos científicos e cartões de embarque, circula em PDF. Este artigo explica de onde veio o PDF, o que há dentro do arquivo, quais versões existem e o que se mantém ou se perde quando você converte um PDF para outro formato.

O que é PDF?

PDF é um formato de arquivo que descreve cada página de um documento com uma aparência fixa. Em formatos de edição como o Word, o texto "flui": se você estreita a janela ou troca a fonte, as linhas se reorganizam. Em um PDF, a posição de cada caractere, linha e imagem na página é definida de antemão. O arquivo reúne o texto, as fontes (geralmente incorporadas), as imagens e os gráficos vetoriais em um único pacote, por isso o documento é exibido da mesma forma em um computador que não tem o aplicativo original, no celular ou na impressora.

Esse design tem um custo: o PDF é um formato de saída. Ele nem sempre contém informações semânticas como parágrafos, títulos ou tabelas. Muitas vezes, contém apenas instruções do tipo "desenhe estes glifos nesta coordenada". Ter essa diferença em mente explica por que editar um PDF, ou transformá-lo de volta em um documento do Word, é difícil.

Um breve histórico

O PDF remonta a uma proposta de 1991 de John Warnock, cofundador da Adobe, chamada "The Camelot Project". O objetivo era capturar documentos de qualquer aplicativo e visualizá-los ou imprimi-los em qualquer máquina. Segundo a Adobe, o projeto já havia se tornado o PDF em 1992, e o PDF e o software Acrobat, que o lê, foram lançados em 15 de junho de 1993.

Nos primeiros quinze anos, o PDF foi uma especificação da Adobe e ganhou recursos a cada versão: formulários interativos (AcroForms) na 1.2, transparência e metadados XMP na 1.4, e camadas, fluxos de objetos e fluxos de referência cruzada na 1.5, publicada em agosto de 2003. A grande virada veio em 2008, quando o PDF 1.7 se tornou a norma internacional ISO 32000-1:2008 em 1º de julho de 2008 e o controle do formato passou para um comitê da ISO. O PDF 2.0 (ISO 32000-2) veio em 2017, com uma segunda edição corrigida em dezembro de 2020. Desde abril de 2023, a PDF Association oferece a ISO 32000-2 para download gratuito.

Para ter uma ideia da escala: em um post de blog de junho de 2023, a Adobe disse que seus clientes haviam aberto mais de 400 bilhões de PDFs em produtos Acrobat no ano anterior. Esse número cobre apenas produtos da Adobe; visualizadores embutidos nos navegadores e outros programas não estão incluídos.

O que há dentro de um arquivo PDF?

Abra um PDF em um editor de texto e a primeira linha mostrará um marcador de versão como %PDF-1.7. O restante do arquivo tem quatro partes principais:

1. Cabeçalho (header): a primeira linha, que declara o formato e a versão.
2. Corpo (body): os "objetos indiretos" que compõem o documento. Cada objeto tem um número de objeto e um número de geração. Páginas, fontes, imagens e fluxos de conteúdo são todos objetos.
3. Tabela de referência cruzada (xref): lista a posição em bytes de cada objeto, o que permite ao leitor ir direto a qualquer página sem varrer o arquivo inteiro. Desde o PDF 1.5, ela também pode ser armazenada como um "xref stream" compactado.
4. Trailer e fim do arquivo: um dicionário que aponta para o catálogo do documento (/Root), seguido de startxref (onde a xref começa) e do marcador %%EOF.

Um exemplo simplificado fica assim:

%PDF-1.7
1 0 obj << /Type /Catalog /Pages 2 0 R >> endobj
2 0 obj << /Type /Pages /Kids [3 0 R] /Count 1 >> endobj
3 0 obj << /Type /Page /Parent 2 0 R /Contents 4 0 R >> endobj
4 0 obj << /Length 44 >> stream
BT /F1 12 Tf 72 720 Td (Hello) Tj ET
endstream endobj
xref ...
trailer << /Root 1 0 R /Size 5 >>
startxref ...
%%EOF

O conteúdo real da página fica no fluxo de conteúdo. No exemplo, o bloco BT ... ET é um objeto de texto, Tf escolhe a fonte e o tamanho, Td define a posição e Tj desenha o texto. Repare que não existe a noção de "parágrafo" ou "título" aqui, apenas glifos posicionados. Até uma única linha visual costuma ser dividida em vários fragmentos.

Outro recurso do PDF é a atualização incremental. Quando você adiciona um comentário ou uma assinatura, o software pode acrescentar novos objetos e uma nova seção xref ao final do arquivo, em vez de reescrevê-lo. As assinaturas digitais dependem desse mecanismo para manter intacto o conteúdo assinado.

Perfis e subpadrões do PDF

Ao lado da ISO 32000, existem perfis restritos de PDF para fins específicos. O mais conhecido é o PDF/A, criado para arquivamento de longo prazo. Sua primeira parte, o PDF/A-1, foi publicada como ISO 19005-1 em outubro de 2005. Um arquivo PDF/A precisa incorporar todas as fontes, definir as cores de forma independente do dispositivo e incluir metadados XMP, enquanto criptografia, JavaScript, áudio, vídeo e dependências externas são proibidos. É por isso que arquivos públicos e órgãos governamentais costumam exigir PDF/A.

Uma distinção mais prática é entre PDFs com texto e PDFs digitalizados. Um arquivo gerado com "Salvar como PDF" no Word ou no navegador contém texto real, que você pode selecionar, pesquisar e copiar. Uma folha de papel passada no scanner é apenas uma imagem dentro de um PDF. Para extrair o texto dela é preciso OCR (reconhecimento óptico de caracteres).

Onde o PDF é usado?

• Correspondência jurídica e oficial: contratos, petições e decisões, com a ajuda do suporte a assinatura digital.
• Contabilidade e comércio eletrônico: notas fiscais, recibos e extratos bancários.
• Editoras e gráficas: arquivos prontos para impressão, e-books e catálogos.
• Meio acadêmico: artigos, teses e apostilas.
• Formulários: requerimentos e declarações preenchíveis.
• Arquivamento: registros que precisam ser guardados por décadas, usando PDF/A.

Pontos fortes e fracos

Quais programas abrem PDF?

Raramente é preciso instalar algo. Chrome, Edge, Firefox e Safari têm visualizador de PDF embutido. No macOS, o Pré-Visualização abre PDFs; no Windows, o Edge faz isso. Para edição avançada, criação de formulários e assinatura, o Adobe Acrobat é a escolha mais comum. O Microsoft Word também consegue abrir um PDF e tentar transformá-lo em documento editável, com resultados que dependem da complexidade do arquivo. No Linux, Evince, Okular e as ferramentas Poppler são muito usados.

Problemas comuns e como resolvê-los

O texto copiado de um PDF sai embaralhado

Um PDF pode armazenar o texto na ordem em que foi desenhado, e não na ordem de leitura. Em um artigo de duas colunas, as linhas podem se intercalar, e algumas fontes são incorporadas sem mapeamento Unicode, então caracteres acentuados podem aparecer quebrados. Converter o PDF para TXT ou Word costuma dar um resultado mais limpo do que copiar do visualizador.

O arquivo está criptografado e não abre nem converte

Um PDF pode ter dois tipos de senha: uma senha de abertura e uma senha de permissões (para edição ou impressão). Nenhum conversor consegue ler um arquivo com senha de abertura sem conhecê-la. Se você tem a senha, abra o arquivo, remova a proteção, salve-o novamente e depois converta.

Não consigo pesquisar em um PDF digitalizado

O arquivo contém imagens, não texto, então a pesquisa e a cópia não funcionam. Você precisa de um software de OCR para adicionar uma camada de texto.

As fontes aparecem diferentes do original

Se o aplicativo que criou o arquivo não incorporou as fontes, o visualizador as substitui por outras parecidas. Ativar a opção "incorporar fontes" ao exportar, ou salvar como PDF/A, evita isso.

Dicas para converter arquivos PDF

Converter um PDF significa reconstruir um layout de página fixo como um documento fluido, por isso até a melhor ferramenta precisa fazer deduções. Veja como o nosso conversor faz isso: ao converter PDF para Word, o arquivo é enviado ao nosso servidor, as ferramentas de código aberto Poppler leem cada fragmento de texto com sua posição, e as linhas são unidas novamente em parágrafos. A formatação de caracteres, como negrito e itálico, e o fluxo de leitura são preservados em grande parte, mas páginas com várias colunas, tabelas complexas e caixas posicionadas podem não ficar exatamente iguais ao original. Os arquivos enviados são excluídos do servidor em até 30 minutos.

• Se você só precisa do texto, converter PDF para TXT dá o resultado mais limpo: a formatação é descartada e sobra um texto simples e legível.
• Se quer manter a aparência da página na web, PDF para HTML posiciona o texto nos mesmos lugares da página original.
• PDFs digitalizados não contêm texto, então nosso conversor não consegue extrair deles texto editável. Faça o OCR primeiro.
• PDFs criptografados não podem ser convertidos; você verá uma mensagem pedindo para remover a senha.

O caminho inverso é mais fácil. Com Word para PDF, arquivos DOCX, DOC e RTF vão direto para PDF pelo LibreOffice, sem etapa intermediária, então layout da página, cabeçalhos e rodapés, tabelas e imagens são mantidos. Se você usou uma fonte que não está instalada no servidor, ela pode ser substituída por uma parecida. Fontes como HTML, Markdown e TXT são diagramadas em páginas A4 e impressas em PDF por um mecanismo de navegador.

Perguntas frequentes

Quando o PDF foi criado?

A ideia remonta à proposta Camelot de John Warnock, de 1991. O PDF e o Acrobat foram lançados em 15 de junho de 1993, e o formato se tornou a norma internacional ISO 32000-1 em 2008.

Qual é a diferença entre o PDF 1.7 e o PDF 2.0?

O PDF 1.7 é a última versão da Adobe, padronizada como ISO 32000-1 em 2008. O PDF 2.0 (ISO 32000-2) foi desenvolvido inteiramente dentro da ISO, publicado em 2017 e corrigido em uma edição de 2020. No uso diário, os dois abrem nos mesmos programas.

O que é PDF/A e quando devo usá-lo?

PDF/A é um perfil restrito de PDF para arquivamento de longo prazo. Ele exige fontes incorporadas e proíbe recursos como criptografia e JavaScript. Escolha-o quando um documento precisar abrir da mesma forma daqui a muitos anos, ou quando uma instituição exigir.

Por que o layout se desfaz quando converto PDF para Word?

Porque um PDF geralmente não tem informação de parágrafos ou tabelas, apenas glifos posicionados. O conversor precisa reconstruir linhas e parágrafos a partir desses fragmentos. Documentos simples de uma coluna convertem muito bem; páginas com várias colunas ou muitas tabelas podem exigir ajustes manuais.

Posso transformar um PDF digitalizado em texto editável?

Para isso é preciso OCR. Nosso conversor não faz OCR; ele só transfere o texto que realmente existe no PDF. Passe o documento digitalizado por um software de OCR primeiro e depois converta.

É seguro converter meus PDFs?

A conversão de documentos acontece no nosso servidor. O arquivo é usado apenas para a conversão e é excluído em até 30 minutos. Para materiais altamente confidenciais, talvez você prefira não enviá-los a nenhum serviço on-line.

Fontes

• Adobe: What is a PDF? (The Camelot Project e o nascimento do PDF)
• Adobe Blog: Celebrating 30 years of digital transformation with Adobe Acrobat (15 de junho de 2023)
• Library of Congress: descrição do formato PDF 1.5
• Library of Congress: PDF/A-1, ISO 19005-1:2005
• Wikipedia: PDF (história e estrutura do arquivo, fonte secundária)
• Biblioteca de renderização de PDF Poppler