O que um PDF realmente é, e porque é que nem sempre se consegue copiar o texto

Um PDF é uma lista de instruções de desenho. Diz coloque este glifo nesta coordenada, nesta fonte, neste tamanho, depois mova-se para aqui e desenhe o seguinte. Não diz isto é um título, isto é um parágrafo, esta coluna vem antes daquela. Tudo aquilo que um leitor parece saber sobre a estrutura de uma página foi reconstruído a posteriori, medindo os intervalos entre marcas, o que explica quase tudo o que é frustrante nos PDF.

O que um PDF guarda de facto

O texto de uma página vive num fluxo de conteúdo, uma pequena sequência de operadores:

BT
  /F1 11 Tf
  72 708 Td
  [(In) -18 (v) 22 (oice)] TJ
  180 0 Td
  (2026-08-25) Tj
ET

Tf escolhe uma fonte e um tamanho, Td desloca o cursor de texto e TJ desenha glifos com desvios de kerning entre eles. Repare no que falta: não há um único caráter de espaço. O intervalo antes da data é um salto de 180 unidades, e um extrator tem de decidir se cada salto é um espaço, uma tabulação, um limite de coluna ou coisa nenhuma. Um limiar ligeiramente desacertado dá-lhe Invoice2026-08-25 ou I n v o i c e.

A ordem de leitura tem o mesmo problema: os glifos saem pela ordem em que foram desenhados. Um layout de duas colunas desenha muitas vezes a coluna da esquerda até ao fim da página e só depois a da direita, caso em que copiar funciona; se o gerador desenhou linha a linha ao longo da folha, copiar entrelaça as colunas e o resultado não faz sentido.

Distinguir um PDF de texto de uma digitalização

Um documento digitalizado não contém texto nenhum: é a fotografia de uma página embrulhada num PDF. O reconhecimento ótico de carateres acrescenta uma camada de texto invisível por cima da imagem, o que torna o ficheiro pesquisável, mas essa camada é um palpite, por isso os seus erros aparecem sob a forma de pesquisas falhadas e de cópias deformadas.

Fontes, incorporação e subconjuntos

Uma fonte ou está incorporada, ou seja, o programa da fonte está dentro do ficheiro, ou é referenciada por nome e métricas, cabendo ao leitor encontrar algo parecido na máquina que a apresenta. As fontes referenciadas são a razão por que um documento fica bem onde foi feito e mal noutro sítio: a substituta tem larguras de caráter diferentes, por isso as linhas voltam a quebrar, as tabelas transbordam e uma carta de uma página passa a duas.

As fontes incorporadas são quase sempre reduzidas a um subconjunto. Só se incluem os glifos usados e, com frequência, são renumerados, por isso o glifo do A pode ficar no código 3. O mapeamento de volta para carateres verdadeiros vive numa tabela ToUnicode separada e, quando ela falta ou está errada, a página desenha-se na perfeição enquanto o texto copiado chega como algaraviada, porque o que lhe entregam são códigos internos de glifos e não carateres. Voltar a gravar não corrige nada; as saídas possíveis são o documento de origem ou o reconhecimento sobre as páginas desenhadas.

Tamanho de página, caixas e rotação

As coordenadas são em pontos, 72 por polegada, e cada página transporta vários retângulos. A MediaBox é a folha inteira; a CropBox é a região realmente apresentada, que pode ser menor.

O A4 e o Letter parecem idênticos no ecrã e diferem no papel, por isso juntar um relatório europeu com um americano dá páginas que alternam de tamanho.

Cada página transporta também uma marca de rotação de 0, 90, 180 ou 270 graus, para que conteúdo guardado deitado possa ser mostrado direito. O Rotate PDF define essa marca em vez de redesenhar seja o que for, o que o torna instantâneo e sem perdas, mas as coordenadas por baixo não mudam: uma ferramenta que ignore a marca extrai o texto deitado, e juntar páginas com marcas diferentes dá um documento que parece coerente enquanto o seu conteúdo assenta em várias orientações.

Juntar, dividir e as partes que se partem

As páginas vivem numa árvore de páginas. O Merge PDF copia os objetos de página e tudo o que eles referenciam para um só ficheiro e reconstrói essa árvore; o Split PDF fica com um ramo dela. As páginas passam intactas, o que está anexado ao documento nem sempre.

• Os marcadores são um índice separado que aponta para objetos de página. Muitas ferramentas de junção deitam-no fora por completo, e dividir deixa entradas apontadas a páginas que já lá não estão.
• Os campos de formulário têm nome ao nível do documento, não ao nível da página, por isso juntar duas cópias do mesmo formulário dá dois campos chamados name, que muitos leitores tratam como um só campo com valor partilhado: preencher um preenche o outro. Achate-os ou mude-lhes o nome primeiro.
• As anotações, como as ligações e os comentários, viajam com as suas páginas, mas uma ligação interna cuja página de destino ficou de fora de uma divisão não tem para onde ir.

Um ficheiro resultante de uma junção é muitas vezes maior do que as suas partes, porque os recursos partilhados ficam duplicados: quatro origens que incorporaram cada uma um subconjunto da mesma fonte dão quatro subconjuntos, mais quatro perfis de cor e quatro blocos de metadados. Também pode sair mais pequeno, porque reescrever deita fora objetos não usados e o histórico de gravações: um documento gravado trinta vezes traz consigo todas as revisões anteriores acrescentadas ao fim.

Palavras-passe, permissões e etiquetas

Há dois tipos de palavra-passe e não são comparáveis. Uma palavra-passe de utilizador é exigida para abrir o documento: o conteúdo está genuinamente cifrado com uma chave derivada dela, por isso sem ela não há nada para ler. Os ficheiros modernos usam AES-256, os muito antigos RC4 de 40 bits, que é fraco.

Uma palavra-passe de proprietário define marcas de permissão como não imprimir, não copiar e não editar. O ficheiro continua cifrado, mas com uma chave que qualquer leitor consegue derivar sozinho, porque a palavra-passe de utilizador está vazia. As marcas são um pedido, respeitado por uns leitores e ignorado por outros: se um ficheiro abre sem perguntar nada, as suas restrições são meramente indicativas, diga o que disser a caixa de propriedades.

A etiquetagem é outra camada: uma árvore de estrutura opcional que marca títulos, listas, células de tabela e descrições de figuras, e que fixa uma ordem de leitura. Um leitor de ecrã sobre um PDF etiquetado lê o documento; sobre um PDF sem etiquetas adivinha a partir das coordenadas, produzindo o mesmo resultado baralhado que o copiar e colar. As digitalizações são, por definição, não etiquetadas, o reconhecimento acrescenta texto mas não estrutura, e a saída do Images to PDF ou do PDF to Images não tem nem uma coisa nem outra.

Onde está o tamanho, e o que o navegador aguenta

O tamanho do ficheiro são quase sempre as imagens. Uma página A4 precisa de cerca de 1240 por 1754 píxeis a 150 dpi e de 2480 por 3508 a 300 dpi, por isso uma fotografia colocada com 12 megapíxeis transporta muito mais dados do que a impressão consegue usar, e reduzir a resolução é a única alteração que encolhe um documento de forma fiável. Voltar a gravar um PDF só de texto ganha muito pouco, porque os seus fluxos de conteúdo já estão comprimidos; quando um deles é inesperadamente grande, olhe para as fontes incorporadas, para o histórico de gravações ou para os anexos.

Tudo isto acontece localmente no navegador, por isso nada é enviado para lado nenhum e o limite é a memória e não o tamanho do ficheiro. Desenhar as páginas é a parte cara: uma página A4 à escala 4x tem cerca de 2380 por 3368 píxeis, aproximadamente 32 MB de bitmap sem compressão para uma única página, por isso cinquenta páginas nessa escala esgotam um separador do navegador muito antes de incomodarem a máquina. Divida primeiro um documento muito grande e trabalhe depois por lotes.