Por que o texto copiado de um PDF sai embaralhado
Por que o texto que copio de um PDF sai sem sentido quando colo?
Salve suas ferramentas favoritas
Crie uma conta grátis no iBuildPDF para guardar suas ferramentas favoritas e encontrá-las rapidamente quando quiser.
Conta grátis. As ferramentas PDF em si nunca precisam de uma.
Resposta curta
Porque o que um PDF mostra e o que ele consegue entregar a você são dois mapas separados. A página desenha códigos numerados por meio de uma fonte, e é isso que a faz parecer certa; copiar precisa de uma segunda tabela dizendo qual caractere cada código representa, e essa tabela é opcional. Quando ela falta ou está errada, a página fica perfeita e a área de transferência vira um monte de letras sem sentido, e tentar de novo não muda nada.
Um PDF desenha glifos, não caracteres
O fluxo de conteúdo de uma página não contém o seu texto. Contém números.
Dois mapas, e só um deles é obrigatório
- A página guarda códigos, não letras. Sozinhos, esses números não significam nada.
- A fonte transforma cada código em um contorno. Este é o mapa que um PDF precisa ter, e o que faz a página parecer certa.
- Copiar precisa do outro mapa — de código para caractere Unicode —, e um arquivo pode ser gravado sem ele. Aí não há nada para entregar.
- Então a página pode estar perfeita e a área de transferência sem sentido ao mesmo tempo. Nada está quebrado; uma tabela nunca foi gravada.
Cada número é um código. O recurso de fonte ligado à página associa esse código a um contorno — uma forma a desenhar. Esse é o único mapa que um PDF é obrigado a ter, porque é o único necessário para colocar marcas em uma página, e é por isso que o documento parece perfeito.
Copiar precisa do mapa no sentido contrário: este código significa o caractere U+0041, A maiúsculo. A ISO 32000-1 prevê exatamente isso, como um CMap ToUnicode ligado à fonte. Ele é opcional. Um programa que só se importava com o documento ser impresso corretamente não tinha motivo para gravar um, e nada no arquivo reclama da falta dele.
Os subconjuntos de fontes pioram a falha. Quando um programa incorpora só os glifos que o documento usa, ele pode numerá-los como quiser — muitas vezes 1, 2, 3 na ordem em que os caracteres apareceram pela primeira vez. Sem um mapa ToUnicode, esses números não significam absolutamente nada; com um, significam o que ele disser. Por que um PDF fica diferente em outro computador trata dos subconjuntos e das outras surpresas que eles causam.
A consequência que vale guardar: isso é uma característica do arquivo, e não do seu computador. Trocar de leitor, de sistema operacional, de configuração de fontes ou de destino da colagem não vai ajudar, porque todos consultam a mesma tabela que falta. É também por isso que a busca dentro do documento não encontra nada — o leitor está comparando o que você digitou com o mesmo mapa quebrado.
Qual destes é o seu caso
O sintoma identifica a causa com bastante segurança, e a causa decide se dá para fazer alguma coisa.
| O que você recebe | O que é | Tem conserto? |
|---|---|---|
| Nada é selecionado; o cursor não pega nenhuma palavra | Não há texto. A página é uma imagem. | Sim, reconhecendo-a — OCR |
| Todos os caracteres errados, de forma consistente — um alfabeto deslocado, ou fileiras de quadradinhos | Mapa ToUnicode ausente ou incorreto | Não no próprio arquivo. OCR, ou redigitar |
Quase tudo certo, mas fi, fl e ffi somem ou viram um único caractere estranho | Glifos de ligadura sem mapeamento de caractere | Sim — localizar e substituir depois |
Caracteres certos, sem espaços: thequickbrown | O arquivo não contém nenhum caractere de espaço | Muitas vezes, com outro extrator |
Caracteres certos, espaços dentro das palavras: t h e | Espaçamento largo entre letras no layout sendo lido como intervalos | Muitas vezes, com outro extrator |
| Palavras certas, ordem errada — duas colunas intercaladas, uma nota de rodapé no meio da frase | A extração está seguindo a ordem em que as marcas foram gravadas | Às vezes. Depende do arquivo |
| Acentos soltos, ou letras se dividindo em dois caracteres | Marcas combinantes guardadas separadas das letras-base | Sim — normalização Unicode |
A primeira linha é a que deve ser descartada antes de qualquer outra coisa, porque é comum e não é o problema deste artigo. Se nada fica destacado quando você arrasta pela página, você tem uma digitalização, e não há texto para embaralhar.
A mesma página, com e sem texto
- Um PDF digital. Na tela, impossível de distinguir do que está à direita.
- Por baixo dele: códigos de caracteres, cada um com uma fonte e uma posição. Pesquisável, selecionável, conversível.
- Um PDF digitalizado. A mesma página e a mesma aparência.
- Por baixo dele: uma grade de amostras claras e escuras. Nenhuma letra, nenhuma palavra, nada para pesquisar.
Meu PDF é digitalizado ou texto? mostra como distinguir os dois em poucos segundos.
Espaços e ordem são outro problema
Esses dois geram destroços com aparência legível, e não algo sem sentido, e têm uma causa diferente da do mapa ausente.
Pode não haver espaços no arquivo
Nada obriga um PDF a conter caracteres de espaço. Uma linha de texto normalmente é desenhada como uma série de trechos com deslocamentos numéricos entre eles, e o deslocamento é o que cria o intervalo entre duas palavras. Se esse intervalo é um espaço é uma avaliação que o extrator faz pela largura: generoso demais e as palavras se juntam, ansioso demais e as palavras se partem ao meio. É uma heurística, e é por isso que duas ferramentas discordam sobre o mesmo arquivo e nenhuma das duas está errada.
A ordem é a ordem em que foi desenhado
Por que duas colunas saem intercaladas
- Duas colunas, desenhadas corretamente. Você vê colunas por causa de onde as marcas estão, e não porque o arquivo diga isso.
- A ordem em que as marcas foram realmente gravadas. Um motor de diagramação muitas vezes alterna entre quadros, e nada registra que eram colunas.
- Um extrator segue essa ordem, então as colunas saem intercaladas linha por linha. Um PDF com tags declara a ordem de leitura real; um sem tags não tem nada para consultar.
O fluxo de conteúdo está na ordem em que o aplicativo de origem emitiu as marcas. Um motor de diagramação que percorre quadros de texto pode alternar entre duas colunas; um modelo pode colocar o rodapé antes do corpo; uma tabela pode ser desenhada célula por célula descendo as colunas, em vez de atravessando as linhas. Nada em um PDF comum registra que essas marcas eram uma coluna, uma nota de rodapé ou uma tabela — as colunas existem na sua leitura da página, não no arquivo.
Os extratores compensam ordenando as marcas pela posição, o que resolve bem páginas simples de duas colunas e mal layouts complicados. Um PDF com tags é a exceção: ele tem uma árvore de estrutura que declara a ordem de leitura real, e um extrator que a respeita chega à resposta certa sem adivinhar. É um dos benefícios práticos reais das tags, além da exigência de acessibilidade para a qual elas normalmente existem — veja o que torna um PDF acessível.
O que realmente ajuda, em ordem
- Tente outro extrator antes de qualquer coisa. O PDF para texto roda no seu navegador com o PDF.js e respeita os mapas
ToUnicodequando existem. Se ele devolver o texto correto, o arquivo nunca foi o problema, e sim o jeito de copiar do seu leitor — uma descoberta de dois minutos que vale fazer antes de uma de duas horas. - Se o mapa está quebrado, nenhuma ferramenta de camada de texto vai ajudar. Todo extrator lê a mesma tabela. Converter para Word, para planilha ou para texto simples consulta essa tabela, então tudo gera o mesmo resultado sem sentido em embalagens diferentes. É aqui que se deve parar de testar ferramentas.
- Ignore a camada de texto e leia a página como imagem. Isso é o OCR: renderizar a página, reconhecer as formas e gravar uma camada de texto nova. É o único caminho confiável para sair de um mapa quebrado, e tem dois custos — o reconhecimento comete os próprios erros, e a ferramenta roda em um servidor, então o documento é enviado. Para um arquivo confidencial, isso é uma decisão, e não um clique.
- Se o problema é espaço ou ordem, extraia e limpe. Uma passada de localizar e substituir no texto extraído normalmente corrige ligaduras e palavras grudadas mais rápido que qualquer ferramenta. Para um documento em que você precisa continuar trabalhando, o PDF para Word entrega algo editável para consertar — também no servidor, e vale ler antes o que ele consegue e não consegue recuperar.
- Se é você quem gera o arquivo, corrija na origem. Exporte em vez de imprimir em PDF, incorpore as fontes e coloque tags no documento. Um arquivo exportado de um processador de texto atual quase sempre copia corretamente, e os que não copiam costumam ser os que passaram por um driver de impressora no caminho.
E a opção sem glamour: para uma ou duas páginas, redigitar muitas vezes é mais rápido do que qualquer uma das opções acima. Vale dizer isso em voz alta, porque as pessoas passam uma hora em um trabalho de cinco minutos com a sensação de que o computador deveria conseguir fazer aquilo.
O que nenhuma ferramenta consegue fazer
- Ela não consegue reconstruir um mapa que nunca foi gravado. A informação não está escondida nem criptografada, ela não existe. Qualquer coisa que diga consertar um mapa
ToUnicodequebrado está deduzindo caracteres pelas formas dos glifos, o que é reconhecimento óptico de caracteres com outro rótulo. - O OCR dá um novo melhor palpite, e não o original. Os erros dele se concentram justamente no que você menos pode errar — dígitos, números de referência, sobrenomes, tudo o que não dá para conferir lendo pelo sentido. Revise tudo aquilo com base no qual você vai agir.
- Uma extração correta ainda não é o documento. Tabelas voltam como linhas, notas de rodapé voltam no meio do texto, legendas voltam soltas das figuras. Acertar cada caractere não diz nada sobre a estrutura, e nenhuma precisão em nível de caractere jamais vai dizer.
- Escritas da direita para a esquerda e escritas complexas têm uma segunda falha acima desta. Alguns programas gravam árabe ou hebraico em ordem visual, usando formas de apresentação em vez das letras de base. Um mapa de caracteres correto produz então um texto tecnicamente certo que se lê de trás para a frente, e colocá-lo de volta em ordem lógica é um trabalho à parte.
O hábito útil é testar antes de se comprometer: pegue uma página, extraia e leia o que sai. Dois minutos no começo decidem se este documento é trabalho de copiar e colar ou de redigitar, e essa é a única decisão que realmente importa aqui.
Ferramentas que este artigo aborda
Fontes
Documentação primária das afirmações acima.



