Converter um PDF em imagens quando um site recusa PDF

PNG ou JPEG é a decisão que se vê

O JPEG consegue o seu tamanho deitando fora detalhe de alta frequência, na suposição razoável de que uma fotografia tem mais do que um olho perceciona. Uma página de texto é o caso patológico dessa suposição: uma letra não é mais do que um contorno de alta frequência, preto a encontrar branco no espaço de um píxel. O codificador trata cada um desses contornos como ruído a suavizar e deixa um ligeiro toque cinzento à volta de cada caractere — o efeito chamado ruído de mosquito. É subtil a alta qualidade e inconfundível assim que o ficheiro foi espremido até algo que um formulário aceite.

O PNG faz a troca contrária, e acontece que serve bem aos documentos. É sem perdas, por isso um contorno continua um contorno, e comprime encontrando séries de píxeis idênticos — algo que uma página de nove partes de branco por uma de preto fornece em abundância. O resultado é muitas vezes não só mais limpo mas mais pequeno. A regra é sobre o conteúdo e não sobre preferência de formato: se a página é texto, tabelas, formulários ou traços, PNG. Se é uma fotografia que calha estar dentro de um PDF, JPEG.

O que perde no momento em que renderiza

Um PDF saído de um processador de texto guarda o texto como texto: o destinatário pode selecioná-lo, procurá-lo, copiar dele um número de conta, e qualquer sistema que indexe documentos consegue lê-lo. Renderizar cada página para imagem acaba com tudo isso. O que chega é uma imagem de uma página, e as palavras lá dentro são formas. Ninguém pode procurar um número de referência, um leitor de ecrã não tem nada para anunciar, e um sistema que esperava extrair um total não encontrará nenhum.

É um custo real, e vale a pena pagá-lo deliberadamente. Converta porque o destino não aceita PDF, não porque as imagens pareçam mais simples. Se a razão para converter é que o PDF é grande demais, a conversão não ajudará — uma imagem de uma página é quase sempre mais pesada do que a página de onde veio, porque a instrução compacta «desenha este glifo aqui» torna-se vários milhares de píxeis.

A resolução, em píxeis e não em adjetivos

As ferramentas costumam oferecer baixo, médio e alto, o que nada diz sobre se o resultado será legível. O número que conta são os pontos por polegada aplicados a uma página de tamanho fixo. Uma página A4 a 150 ppp passa a 1240 por 1754 píxeis — mais alta do que a maioria dos ecrãs, por isso mostra-se com todo o detalhe sem ampliar. A 300 ppp passa a 2480 por 3508, quatro vezes os píxeis e quatro vezes o peso, e não acrescenta nada no ecrã. Acrescenta muito se a página for impressa, porque uma impressão a 150 ppp parece mole, e acrescenta precisão se um sistema de reconhecimento de texto for ler a imagem, porque a precisão cai acentuadamente abaixo dos 300.

Uma imagem por página, e o que fazer com trinta

A renderização produz um ficheiro por página, o que é óbvio em princípio e incómodo na prática quando o formulário tem um único campo de envio. Três saídas, pela ordem que vale a pena tentar: envie só as páginas que são realmente pedidas, normalmente uma ou duas, e é para isso que serve a extração; verifique se o campo aceita vários ficheiros, coisa que muitos fazem sem o dizer; ou pergunte se o PDF é mesmo recusado, porque um número surpreendente de formulários o rejeita por erro de configuração e não por política.

O conversor deste site para nas primeiras 30 páginas, o que é um limite deliberado e não uma falha: a renderização acontece no seu próprio processador, e um documento de cem páginas a 300 ppp são cem imagens de quase nove megapíxeis cada, o suficiente para esgotar um telemóvel. Se precisar de mais de trinta páginas como imagens, divida primeiro o documento e converta cada parte — a restrição é a memória, e dividir a entrada ao meio divide o pico ao meio.

A ida e volta que lhe custa em silêncio

Um movimento tentador é converter um PDF em imagens e depois reconstruir um PDF a partir dessas imagens — para achatar um formulário, digamos, ou para retirar algo. Funciona, e vale a pena saber quanto custa: o resultado é um PDF cujo texto já não é texto, várias vezes mais pesado do que o original, e nunca pode ser desfeito. Seja qual for o seu objetivo, verifique primeiro se há maneira de o alcançar sem passar pelos píxeis, porque a ida e volta é uma porta de sentido único.

Uma tabela de decisão para guardar

Duas perguntas resolvem quase todos os casos. O que está na página — texto ou fotografia — escolhe o formato. Quem lê o resultado — um ecrã, uma impressora ou uma máquina — escolhe a resolução. Todo o resto decorre dessas duas, e acertá-las à primeira é a diferença entre um envio e uma conversa com um serviço de apoio.

Perguntas frequentes

Porque é que o meu PNG é maior do que o PDF inteiro?

Porque substituiu uma descrição por uma imagem. No PDF, uma página de texto é uma lista curta de instruções que nomeiam glifos e posições, e as fontes são partilhadas por todas as páginas. A renderização transforma isso em dois milhões de píxeis que têm de ser guardados de uma maneira ou de outra. Quanto maior a resolução, maior a diferença. Se o peso era o problema que queria resolver, converter em imagens é exatamente a direção errada.

Posso recuperar o texto das imagens depois?

Só passando-lhes um reconhecimento de texto, que lê as formas e adivinha os caracteres. É bom e não é o original: engana-se com fontes invulgares, letra pequena, tabelas e tudo o que seja manuscrito, e não lhe dá maneira de saber que palavras falhou. Guarde o PDF original. O reconhecimento é o que se usa quando o original desapareceu mesmo, não um substituto de não o ter deitado fora.

O formulário quer uma imagem e o meu documento tem seis páginas. E agora?

Envie a página que responde à pergunta, não o documento. Um formulário que pede comprovativo de morada quer a página onde está a morada, e uma fatura de seis páginas anexada por inteiro é uma maçada para o analista em vez de um processo mais sólido. Extraia primeiro a página e converta só essa. Se várias páginas forem mesmo exigidas e só um ficheiro for permitido, pergunte — essa combinação costuma ser um erro de configuração, e o apoio pode subir o limite ou aceitar outro formato.

Converter em imagens remove os dados escondidos do PDF?

Remove o que estava no documento — camadas, anotações, valores de formulário, o grafo de objetos, texto por baixo de um retângulo preto — porque a renderização guarda apenas o que é visível na página. Isso faz dela uma forma genuína de achatar algo, e é a razão por que se recorre a ela. Não remove o que a própria imagem transporta: o ficheiro renderizado recebe os seus próprios metadados, e se depois o fotografar ou reeditar, mais podem acumular-se. Achatar e limpar metadados são dois trabalhos separados.

Porque é que o conversor para nas trinta páginas?

Porque a renderização acontece no seu dispositivo e não num servidor, e cada página torna-se uma imagem em tamanho real mantida em memória antes de poder ser guardada. Trinta páginas a uma resolução legível já são bastante memória num portátil e roçam o teto num telemóvel. O limite existe para que o separador chegue ao fim em vez de ser morto a meio. Se precisar de mais, divida o documento e converta as partes — o trabalho total é o mesmo, o pico não.