Como pôr um PDF abaixo de um limite de 10 MB

Os megabytes estão num de dois sítios, e isso decide tudo

Um PDF é um contentor. Lá dentro, uma página pode ser descrita como instruções — desenha este glifo aqui, nesta fonte, traça esta linha — ou como uma fotografia de uma página. O primeiro tipo é o que produzem um processador de texto, uma folha de cálculo ou uma ferramenta de relatórios. É espantosamente compacto: uma página de texto denso são uns quilobytes de instruções, e as fontes são partilhadas por todo o documento em vez de repetidas. O segundo tipo é o que produzem um digitalizador ou a câmara de um telemóvel: uma fotografia de uma folha de papel, guardada em JPEG, uma por página.

A aritmética que se segue não é renhida. Um contrato de doze páginas exportado de um processador de texto pesa muitas vezes menos de 200 KB no total. As mesmas doze páginas digitalizadas a 300 ppp são doze fotografias de cerca de 8,7 megapíxeis cada uma, e pesam algo como 12 MB. Nada do conteúdo mudou; mudou a representação. É por isso que o conselho genérico de «comprima o PDF» não serve sem saber qual dos dois tem: os dois casos não têm quase nada em comum além da extensão.

O que a compressão estrutural remove realmente

Um PDF é feito de objetos numerados, e o ficheiro traz uma tabela de referências cruzadas a dizer onde começa cada um. Editar um documento várias vezes, ou gerá-lo a partir de um modelo, deixa essa estrutura gorda: objetos para os quais já nada aponta, dicionários repetidos uma vez por página em vez de partilhados, uma tabela de referências à qual se foi acrescentando em vez de a reescrever. Reescrever o ficheiro com fluxos de objetos empacota muitos objetos pequenos num único fluxo comprimido e substitui a tabela por um equivalente comprimido. É o que faz o compressor deste site, e é realmente sem perdas: cada glifo, cada linha, cada píxel é bit a bit o que era.

O limite honesto é o outro lado dessa frase. Por ser sem perdas, não pode tocar nos fluxos de imagem: um JPEG dentro do PDF sai igual. Num documento digitalizado, a estrutura é um invólucro fino à volta de um monte de fotografias, por isso tirar o desperdício estrutural tira um erro de arredondamento. A ferramenta dir-lhe-á que quase não poupou nada, e estará a dizer a verdade: quase não havia nada para poupar.

A resolução é quadrática, e é aí que está toda a alavanca

A página não muda de tamanho, por isso a resolução multiplica-se em duas direções ao mesmo tempo. Passar de 300 ppp a 200 ppp é um fator de dois terços em cada eixo, e dois terços ao quadrado são quatro nonos: 44,4 % dos píxeis, 55,6 % removidos. Passar de 300 a 150 é metade em cada eixo e portanto um quarto dos píxeis. É por isso que a resolução é a única alavanca com braço real sobre uma digitalização, e porque pequenos ajustes produzem grandes diferenças de peso.

Onde parar é um juízo sobre quem lê o documento. Duzentos ppp é o piso habitual escrito nos cadernos de encargos administrativos, e a essa resolução o texto corrente e as assinaturas ficam limpos no ecrã e imprimem aceitavelmente. Cento e cinquenta continua legível mas começa a amolecer a letra pequena, as notas de rodapé e as impressões de carimbo. Abaixo disso, os caracteres fundem-se. E se o documento for entregue a um sistema de reconhecimento de texto em vez de lido por uma pessoa, não reduza nada: a precisão do reconhecimento cai acentuadamente abaixo dos 300 ppp, e um formulário rejeitado é pior resultado do que uma segunda tentativa de envio.

O caminho quando não pode voltar a digitalizar

Muitas vezes a digitalização veio de outro lado e o original desapareceu. O caminho é desmontar o PDF e reconstruí-lo: exporte cada página como imagem, reduza essas imagens e monte um PDF novo a partir do conjunto reduzido. São três passos em vez de um, e cada passo corre no navegador, por isso um recibo de vencimento ou um formulário médico não viajam para isso.

Uma advertência sobre a recodificação JPEG repetida, porque este caminho a envolve. Um JPEG descodificado e recodificado perde um pouco de cada vez, e a perda acumula-se; não se vê após uma passagem com qualidade razoável, e vê-se após cinco. Faça a redução uma vez, na resolução de que realmente precisa, em vez de ir desbastando o ficheiro em várias tentativas. Se a primeira tentativa exagerar, volte ao PDF original e recomece em vez de reduzir outra vez a cópia já reduzida.

Quando dividir vale mais do que reduzir

Leia o limite com atenção antes de degradar seja o que for. A maioria dos formulários limita cada anexo e não a submissão, e muitos aceitam vários. Uma digitalização de 14 MB que tem de ficar a 300 ppp porque será lida por uma máquina divide-se em duas metades de 7 MB que sobem ambas com qualidade plena. É melhor resultado do que um ficheiro único a 150 ppp em que o sistema de reconhecimento depois falha.

Duas advertências menores que vale a pena conhecer. Alguns formulários medem o tamanho codificado de um envio em vez do ficheiro em disco, o que num anexo de correio acrescenta cerca de um terço; se enviar por correio em vez de por formulário, aponte a uns 7 MB para passar um teto de 10 MB. E um PDF protegido por palavra-passe não pode ser reestruturado nem dividido sem ela, porque a ferramenta não consegue ler a estrutura de objetos que teria de reescrever — retire a proteção primeiro, trabalhe, e volte a pô-la.

Uma decisão que pode tomar só com o tamanho

Juntando tudo, a regra cabe numa linha: os quilobytes por página dizem-lhe que problema tem, e o problema diz-lhe que ferramenta. Os PDF de texto respondem à compressão estrutural e não perdem nada; as digitalizações só respondem à resolução e perdem detalhe em troca. Enganar-se na ferramenta custa uns segundos; saber qual é qual transforma uma recusa de formulário num problema resolvido, normalmente à primeira.

Perguntas frequentes

Comprimi-o e quase não mudou. A ferramenta está avariada?

Quase de certeza que não — está a dizer-lhe que o ficheiro é uma digitalização. A compressão estrutural é sem perdas, por isso não pode recodificar as imagens dentro do PDF, e num documento digitalizado as imagens são praticamente todo o ficheiro. Um resultado de um ou dois por cento significa que havia um ou dois por cento de desperdício estrutural e mais nada para tirar. Veja os quilobytes por página: acima de cerca de 300 KB a resposta é a resolução, não a compressão.

Reduzir a resolução torna o documento juridicamente inválido?

Reduzir a resolução não afeta por si só a validade, mas duas coisas podem. Se o documento tiver assinatura eletrónica, qualquer modificação quebra-a — a assinatura cobre os bytes exatos, por isso um PDF reconstruído é outro documento do ponto de vista da assinatura, e aparecerá como inválida. E alguns procedimentos fixam uma resolução mínima nas suas próprias regras, geralmente 200 ou 300 ppp. Verifique a exigência enunciada pelo formulário antes de reduzir, e se o ficheiro estiver assinado, não o reconstrua: divida-o, ou pergunte se a assinatura pode ser reaposta.

Porque é que a mesma página ocupa mais a cores do que em cinzentos?

Porque a cor guarda três canais onde o cinzento guarda um, e porque o ruído fotográfico de uma digitalização a cores comprime mal. Num original a preto e branco — uma carta, um formulário, um contrato — digitalizar em cinzentos em vez de a cores tira normalmente mais um terço a metade à mesma resolução, e não perde nada do que estava no documento. Digitalize a cores só quando a cor tiver significado: um carimbo, uma passagem realçada, um gráfico, um documento de identidade.

Posso simplesmente pôr o PDF num zip?

Não vai poupar quase nada, porque um PDF já está comprimido por dentro: os seus fluxos vão comprimidos em deflate, e as imagens são JPEG, ou seja, dados já comprimidos. Comprimir dados comprimidos ganha normalmente um ou dois por cento. E na prática costuma piorar as coisas: muitos formulários recusam arquivos comprimidos sem mais, e um analista obrigado a descompactar um anexo é um analista incomodado sem contrapartida.

O limite diz 10 MB e o meu ficheiro tem 9,4 MB, mas é recusado. Porquê?

Normalmente uma de três coisas. O limite pode aplicar-se à submissão inteira e não a cada anexo, pelo que os seus outros ficheiros também contam. O sistema pode medir o envio codificado em vez do ficheiro em disco, o que acrescenta cerca de um terço num anexo de correio. Ou o próprio megabyte é ambíguo: 10 MB podem significar 10 000 000 de bytes ou 10 485 760, e um ficheiro a que o sistema chama 9,4 MB pode ultrapassar o menor dos dois. Aponte a uma margem confortável — cerca de 7 MB contra um teto de 10 MB — em vez de tentar ficar mesmo por baixo.