O que é um arquivo PDF e o que há dentro dele?
O que é um PDF, por baixo?
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
Um PDF é a descrição de páginas prontas. Ele registra exatamente onde cada glifo, linha e imagem fica em uma página de tamanho fixo, junto com as fontes necessárias para desenhá-los. É por isso que ele fica igual em todo lugar — e por isso editá-lo é complicado. Não há parágrafos dentro de um PDF, só marcas em posições.
O que há dentro do arquivo
Um PDF são quatro partes em sequência, e três delas podem ser lidas se você abrir o arquivo em um editor de texto simples.
As quatro partes de um arquivo PDF
- Cabeçalho — uma linha que diz a versão de PDF usada pelo arquivo.
- Corpo — os objetos numerados: páginas, fontes, imagens e as instruções que dizem o que desenhar.
- Tabela de referências cruzadas — a posição em bytes de cada objeto, para que o leitor possa ir direto a qualquer um deles.
- Trailer — onde a tabela começa e qual objeto é a raiz do documento. Os leitores começam por aqui, pelo fim.
O cabeçalho é uma linha que diz a versão. O corpo é uma coleção numerada de objetos — páginas, fontes, imagens e os fluxos de conteúdo que dizem o que desenhar e onde. A tabela de referências cruzadas registra a posição em bytes de cada um desses objetos. O trailer diz onde essa tabela começa e qual objeto é a raiz do documento.
A tabela é a parte que vale entender, porque explica a maior parte do comportamento de um PDF. Um PDF não é lido do começo ao fim como uma carta; ele é consultado. Um leitor abre o arquivo, pula para o fim, lê o trailer, encontra a tabela e, daí em diante, vai direto ao objeto de que precisa. É assim que um leitor mostra a página 400 de um relatório de 900 páginas sem ler as 399 primeiras.
É também por isso que um arquivo que perdeu os últimos kilobytes no caminho normalmente nem abre. Os objetos continuam lá; o mapa até eles, não. Por que um PDF não abre trata desse caso, e o Reparar PDF às vezes consegue reconstruir a tabela a partir do que sobreviveu.
Para ver o que um arquivo diz sobre si mesmo, o Número de páginas e informações do arquivo informa os dados estruturais, e o editor de metadados mostra os descritivos.
Por que ele fica igual em todo lugar
Toda posição em um PDF é absoluta. Uma linha de texto não é “o segundo parágrafo”; é um conjunto de glifos colocados em coordenadas definidas, em uma página de tamanho definido. Nada se reorganiza quando a janela muda, porque não há nada para reorganizar. As decisões de layout foram tomadas uma vez, pelo programa que gerou o arquivo, e depois congeladas.
As fontes são a outra metade da promessa. Um PDF pode levar dentro de si as fontes que usa, então o leitor desenha o texto com as mesmas formas que o autor viu, em vez de trocar pelo que a máquina tiver. Quando uma fonte não está incorporada, a troca aparece — larguras de letra diferentes, quebras de linha diferentes, às vezes até outro alfabeto. Essa é quase sempre a causa de um documento que fica errado no computador de outra pessoa, e o assunto tem um artigo próprio.
Essa fixidez é todo o valor do formato. É também todo o custo dele, e as duas coisas não se separam: um documento com garantia de ficar idêntico em todo lugar é um documento que não consegue se adaptar a nada.
Versões, e a questão do PDF/A
A versão no cabeçalho — 1.4, 1.7, 2.0 — diz quais recursos o arquivo pode usar, não o quanto ele é novo ou bom. Na prática, os leitores são compatíveis com versões anteriores, então um arquivo 1.4 de 2003 abre normalmente hoje. Você quase nunca precisa se preocupar com isso, e “salvar como uma versão mais antiga de PDF” raramente resolve alguma coisa.
Vale conhecer as variantes:
- PDF/A é para arquivamento. Exige que todas as fontes estejam incorporadas e proíbe tudo cujo significado possa mudar com o tempo — nada de referências externas, scripts ou criptografia. Um arquivo PDF/A é uma aposta de que ele ainda vai ser exibido corretamente daqui a trinta anos.
- PDF/X é para impressão comercial e fixa as cores e a geometria da página. Veja como preparar um PDF para impressão.
- PDF com tags acrescenta uma árvore de estrutura — títulos, listas, ordem de leitura —, que é o que torna um documento utilizável com um leitor de tela. O que torna um PDF acessível entra nesse assunto.
São restrições aplicadas sobre o mesmo formato, não formatos diferentes. Um arquivo PDF/A é um PDF, e qualquer ferramenta comum consegue lê-lo.
Por que editar um PDF é complicado
Porque não há texto para editar, no sentido em que um processador de texto entende. Troque “março” por “setembro” e a substituição fica mais longa, então ela esbarra no que vinha depois — e nada no arquivo sabe que aqueles glifos formavam uma frase, ou que a frase pertencia a um parágrafo que deveria se reorganizar. Um editor de PDF precisa reconstruir essa estrutura por dedução, e é dedução, por isso os resultados variam conforme a forma como o arquivo foi feito.
Na prática, isso significa:
- Pequenas correções — uma data, um número, um nome — são aquilo em que um editor de PDF realmente é bom.
- Reescrever é melhor feito na origem. Edite o documento original e gere um PDF novo; se o original não existe mais, o PDF para Word dá uma aproximação editável, e vale ler antes o que ele consegue e o que não consegue recuperar.
- Trabalho no nível da página — reordenar, excluir, girar, juntar — é fácil e sem perdas, porque move objetos inteiros em vez de mexer no conteúdo deles. Reordenar e excluir páginas explica por quê.
Um aviso que importa mais do que o resto: cobrir um texto com um retângulo preto em um editor não esconde nada. O texto continua no arquivo, por baixo. Tarjar um PDF do jeito certo é outra operação, e o Tarjar PDF é a ferramenta para isso.
Ferramentas que este artigo aborda
Fontes
Documentação primária das afirmações acima.



