Transformar notas num PDF que valha a pena arquivar

O texto simples não tem paginação, por isso o conversor tem de inventar uma

É fácil esquecer o pouco que um ficheiro .txt realmente contém. É uma sequência de caracteres, alguns dos quais marcam o fim de uma linha, e é todo o conteúdo. Não há página lá dentro, porque não existe a noção de página. Nem tipo de letra, nem tamanho, nem margem, nem avanço, nem negrito, nem título. Quando olha para um ficheiro de texto ele parece ter uma forma, mas essa forma pertence à janela em que o está a ver — estreite a janela e a forma muda, porque é o seu editor que dobra as linhas, ao vivo, sem guardar nada disso.

Um PDF é o objeto de natureza inversa. Descreve exatamente onde cada pedaço de texto se coloca numa página de dimensões fixas, e é por isso que tem o mesmo aspeto em todo o lado e se imprime sem surpresas. Passar de um ao outro exige portanto fornecer toda a informação que o ficheiro de texto não tem. Não há resposta correta sobre qual deva ser, apenas um conjunto de escolhas defensáveis, e um conversor que esconde as suas escolhas não está a ser modesto: está a impedi-lo de prever o que vai obter.

Aqui estão, então, lidas no código-fonte em vez de adivinhadas. A página é A4, 595,28 por 841,89 pontos; um ponto vale um setenta e dois avos de polegada, por isso são 210 por 297 milímetros com duas casas decimais, exatamente a definição da ISO 216. A margem é de 56 pontos de cada lado, cerca de 19,8 milímetros, deixando uma coluna de texto de 483,28 pontos, ou seja 170,5 milímetros de largura. A entrelinha vale 1,42 vezes o corpo, logo 17,04 pontos no corpo 12 por omissão. A primeira linha de base fica 68 pontos abaixo do topo da página e a última cerca de 58 pontos acima do fundo, perto o suficiente da simetria para ninguém reparar. Cabem quarenta e três linhas no corpo 12, 65 no corpo 8, 47 no corpo 11, 37 no corpo 14 e 19 no máximo de 28.

A Helvetica é proporcional, e isso decide para que serve esta ferramenta

Numa letra de largura fixa, cada caráter ocupa o mesmo espaço horizontal, propriedade que faz as colunas alinharem sem esforço: ponha um valor na vigésima posição de cada linha e ele aparece no mesmo sítio em todas. A Helvetica não é dessa família. Medido na coluna de texto da própria ferramenta a 12 pontos, um i minúsculo tem 2,66 pontos de largura e cabem 181 numa linha; um M maiúsculo tem 10 pontos e só cabem 48. É uma razão de quase quatro para um entre o caráter mais estreito e o mais largo na mesma linha.

A consequência prática é inequívoca. Tudo aquilo cujo sentido depende da posição horizontal — uma tabela alinhada com espaços, um registo com marcas temporais alinhadas, uma listagem de código com blocos indentados, uma fatura com uma coluna de montantes à direita — sai desalinhado. Nem corrompido, nem ilegível, simplesmente já não alinhado, e depois de ver uma página assim não vai querer arquivá-la. A prosa, pelo contrário, é exatamente aquilo para que uma letra proporcional existe: a 12 pontos uma frase mista dá em média 5,58 pontos por caráter, logo cerca de 86 caracteres por linha e perto de 3 700 por página, o que se lê tão confortavelmente como qualquer processador de texto o comporia.

O tipo de letra importa por uma segunda razão, que só aparece no dia em que alguém abrir o ficheiro daqui a vinte anos. A Helvetica é uma das catorze fontes de base que todo o leitor de PDF é obrigado a fornecer desde que o formato foi publicado, por isso é referenciada pelo nome e os seus contornos não ficam guardados no ficheiro. É por isso que um PDF de uma página produzido por esta ferramenta pesa menos de um quilobyte: contém o seu texto, uma descrição de página e um ponteiro para um tipo de letra que se presume que o leitor já tem. Aparece em todo o lado hoje e quase de certeza aparecerá em todo o lado amanhã — mas é uma dependência de algo externo ao ficheiro, e as normas de arquivo dão importância a isso. Já lá vamos.

Três coisas que se partem, e o que fazer com cada uma

A tabulação é o caso afiado, por isso vai primeiro. O texto é escrito no PDF com uma codificação de um byte que não tem casa para um caráter de tabulação, e a conversão não o ignora nem o converte em espaços: pára. O que vê é a mensagem genérica da ferramenta a dizer que não conseguiu criar o PDF, sem qualquer indicação do motivo, e o mesmo acontece com um avanço de página e com toda a gama de caracteres de controlo que um ficheiro de registo ou uma captura de terminal podem conter sem que se dê por isso. É um defeito e está a ser reportado como tal. Até ser corrigido, o contorno custa cinco segundos: localize e substitua cada tabulação por dois, quatro ou oito espaços num editor de texto antes de colar. Como a letra é proporcional, as colunas não iam alinhar de qualquer maneira, por isso a substituição não faz perder nada.

A segunda é a linha demasiado longa para ser partida. O mecanismo de dobra procura espaços; quando não encontra nenhum, desiste e escreve a palavra inteira numa única linha, por mais larga que fique. Um endereço web de 180 caracteres a 12 pontos mede 1 177,7 pontos e acaba na posição horizontal 1 233,7 numa página que só tem 595,28, pelo que mais de meio metro fica fora do papel. Não é cortado com reticências, não passa para a linha seguinte e não é assinalado: é simplesmente desenhado onde ninguém o pode ver. URL longos, resumos criptográficos, blocos codificados e código minificado são as vítimas habituais. Parta-os à mão numa barra ou num hífen antes de converter, e verifique a margem direita do PDF acabado antes de o arquivar.

O terceiro é o caráter que a codificação não consegue conter. Tudo o que vai até U+00FF passa, o que cobre as letras acentuadas das seis línguas em que este site está escrito: café, naïve, Peña, informação, Straße, città chegam intactos. Tudo o que está acima desse ponto de código é substituído por um ponto de interrogação. Na prática, as vítimas são as que se apanham ao colar de um processador de texto ou de um mensageiro: aspas curvas, apóstrofos tipográficos, travessões e meios-travessões, o caráter de reticências e — detalhe a assinalar num site europeu — o símbolo €, que está em U+20AC e não sobrevive, ao passo que o símbolo dólar e o símbolo libra, situados mais abaixo, sobrevivem. As escritas não latinas perdem-se por completo. Escreva as suas aspas e os seus travessões em ASCII simples, escreva por extenso qualquer moeda que não possa arriscar perder, e verifique a primeira página.

O que está realmente dentro do PDF

Abra o resultado num visualizador e tente selecionar uma frase. Seleciona-se, porque o texto deste PDF é texto — uma sequência de caracteres posicionados na página, e não uma imagem de caracteres. Só essa propriedade faz a diferença entre um ficheiro que se pode pesquisar, copiar, dar a um leitor de ecrã e indexar, e uma digitalização, que é uma imagem de documento e exige reconhecimento ótico de caracteres antes de um computador poder fazer o que quer que seja com ela. Se está a converter porque uma nota tem de sobreviver e continuar a ser encontrável, é esta a propriedade que mais conta, e é a que esta ferramenta acerta.

O que o ficheiro não contém merece igual atenção. O seu dicionário de metadados guarda o nome da biblioteca que o produziu e duas marcas temporais — o momento em que carregou no botão, em tempo universal. Não há título, nem autor, nem assunto, nem palavras-chave, nem etiqueta de idioma. Também não há árvore de estrutura, essa camada que diz a um leitor de ecrã que texto é um cabeçalho e por que ordem se deve ler a página, por isso o documento não está etiquetado. E não há qualquer pacote de metadados XMP. Cada uma destas ausências é normal e sem importância para um pequeno utilitário, e cada uma conta se a palavra arquivo for usada no sentido estrito.

Esse sentido estrito tem um nome e um corpo de regras. O PDF/A, normalizado como ISO 19005, é o formato que os arquivos e as bibliotecas nacionais aceitam de facto, e a Biblioteca do Congresso resume duas das suas exigências numa linha cada: todos os tipos de letra têm de estar incorporados e ser legalmente incorporáveis para uma representação universal e ilimitada, e o uso de XMP é obrigatório para os metadados descritivos e identificativos básicos. Todo o propósito, nas palavras da Biblioteca, é que o PDF/A esteja constrangido a evitar dependências externas. A saída desta ferramenta falha em ambos os pontos: aponta para a Helvetica em vez de a levar consigo, e não leva XMP nenhum. É um PDF perfeitamente bom. Não é um PDF/A, e se um tribunal, um serviço de arquivo ou um regime de conformidade lhe pediu um, não é este o caminho.

O que lhe cabe acrescentar

Para tudo o que não seja arquivo formal — uma nota de reunião, um registo de decisão, uma saída de terminal guardada como prova, um texto que quer congelar — o ficheiro serve, desde que ponha aquilo que ele não consegue guardar no único sítio de que dispõe: o texto. Comece o documento com quatro linhas. Do que se trata. Quando aconteceu, escrito como data completa com um ano de quatro algarismos para que não possa ser mal lida em lado nenhum. Quem o escreveu. De onde veio, seja um nome de sistema, um endereço ou uma pessoa. Essas quatro linhas não custam nada e são a diferença entre um documento e um órfão.

Depois mude o nome do descarregamento. Chega como document.pdf, incondicionalmente, de todas as vezes, e não há pior hábito para uma pasta que tenciona consultar daqui a cinco anos. Um nome que se ordena e se lê sozinho — a data primeiro em ano, mês, dia, depois um assunto curto, depois a origem — torna o arquivo navegável sem metadados nenhuns, o que calha bem dado que o ficheiro não os leva. Se produzir várias notas, junte-as num único PDF datado em vez de acumular fragmentos; e se o resultado for para uma caixa de correio ou um bilhete, passe-o antes pela compressão, embora a menos de um quilobyte por página não costume haver nada para comprimir.

Por fim, saiba onde parar. Esta é a ferramenta certa para uma nota, um registo, uma transcrição, uma licença, um lote de saídas de terminal, uma correspondência que quer congelar numa forma que ninguém edite de passagem. É a ferramenta errada para tudo o que precise de títulos, tabelas, numeração de páginas, um logótipo, negritos ou uma segunda coluna — não por os fazer mal, mas por não os fazer de todo, e forçar texto simples a uma forma que não tem produz algo pior do que qualquer das duas. Para isso, escreva num processador de texto e exporte a partir daí. A virtude deste conversor é fazer exatamente uma promessa e cumpri-la: os seus caracteres, numa página, pela ordem em que os escreveu, num ficheiro que continuará a abrir daqui a vinte anos.

Perguntas frequentes

Diz que não conseguiu criar o PDF e não dá razão nenhuma. O que se passa?

Em quase todos os casos é uma tabulação. O texto é escrito no PDF com uma codificação de um byte que não tem posição para uma tabulação, e em vez de a substituir ou ignorar, a conversão pára e a ferramenta mostra a sua única mensagem genérica de falha. O mesmo acontece com um avanço de página e com os restantes caracteres de controlo, e é por isso que a falha é tão comum em ficheiros de registo, capturas de terminal e código colado de um editor que indenta com tabulações. O contorno consiste em abrir o texto em qualquer editor e substituir cada tabulação por espaços antes de colar — dois, quatro ou oito, conforme a forma como o estava a ler. Não se perde nada ao fazê-lo, porque a letra é proporcional e as colunas não teriam alinhado de qualquer maneira. Que a mensagem seja genérica em vez de indicar o caráter em que engasgou é uma verdadeira lacuna, e foi reportada.

Para onde foram o meu símbolo € e as minhas aspas curvas?

Foram substituídos por pontos de interrogação à entrada do PDF. Antes de desenhar cada linha, a ferramenta retira todo o caráter acima de U+00FF, e o símbolo € está em U+20AC, tal como as aspas curvas, os apóstrofos tipográficos, os travessões, os meios-travessões e o caráter de reticências, todos vizinhos. As letras acentuadas do Latin-1 estão abaixo dessa fronteira e passam intactas: é por isso que café, naïve, Peña, informação, Straße e città sobrevivem, e é por isso que o símbolo dólar e o símbolo libra também. A substituição é mais larga do que o estritamente necessário — a codificação que o PDF de facto usa tem lugar para vários dos caracteres removidos —, por isso convém corrigi-lo e foi reportado. Entretanto: escreva aspas retas e hífenes, escreva por extenso qualquer moeda que não possa dar-se ao luxo de perder, e dê uma vista de olhos à primeira página antes de arquivar.

Porque é que as minhas colunas já não alinham?

Porque a Helvetica é um tipo de letra proporcional e o alinhamento que tinha era uma ilusão produzida pela letra de largura fixa do seu editor. Numa letra de largura fixa cada caráter ocupa o mesmo espaço horizontal, por isso contar caracteres é o mesmo que medir distância e as colunas feitas de espaços alinham de graça. A Helvetica dá a cada caráter a sua largura natural: na coluna de texto desta ferramenta a 12 pontos cabem 181 letras i minúsculas numa linha, mas apenas 48 letras M maiúsculas. Cada linha acaba portanto com um comprimento físico diferente mesmo tendo o mesmo número de caracteres, e nada do que escrever o resolverá, porque a ferramenta não oferece escolha de tipo de letra. Se o alinhamento importa, esta não é a ferramenta para esse documento — leve o texto para um editor ou um processador de texto, componha-o aí numa letra de largura fixa, e exporte o PDF a partir daí. Se não importa, retire os espaços de enchimento e deixe o texto ser prosa.

Quantas páginas dará o meu ficheiro?

Conte as linhas e divida. No corpo 12 por omissão cada página leva 43, por isso um registo de 2 000 linhas dá 47 páginas; no corpo 8 uma página leva 65 e o mesmo registo dá 31, uma poupança de um terço. O corpo 11 dá 47 linhas por página, o 14 dá 37 e o máximo de 28 dá 19. Tenha em conta que se contam as linhas depois da dobra, não as linhas do seu ficheiro: toda a linha de origem mais longa do que cerca de 86 caracteres no corpo 12 ocupará duas ou mais, por isso um ficheiro de parágrafos longos produz mais páginas do que a contagem bruta sugere. Se preferir pensar em caracteres, uma página cheia no corpo 12 leva cerca de 3 700 em prosa corrente. A ferramenta mostra o número real de páginas junto ao botão de descarregamento depois de construir o ficheiro, por isso o modo mais barato de saber é converter uma vez e olhar.

Isto é um PDF/A? Posso usá-lo para arquivo legal ou regulamentar?

Não, e a razão é precisa, não uma questão de grau. O PDF/A, a família ISO 19005, existe para que um documento possa ser representado daqui a décadas sem depender de nada externo ao ficheiro. A Biblioteca do Congresso enuncia com clareza dois dos seus requisitos: todos os tipos de letra têm de estar incorporados e ser legalmente incorporáveis para uma representação universal e ilimitada, e o uso de XMP é obrigatório para os metadados descritivos e identificativos de base. A saída desta ferramenta não satisfaz nenhum. Nomeia a Helvetica em vez de levar os seus contornos, e não escreve pacote XMP nenhum. Produz ainda um documento não etiquetado, sem árvore de estrutura que indique às tecnologias de apoio a ordem de leitura. Para uma nota interna, um processo pessoal ou um anexo de correio, nada disso é problema — o ficheiro é um PDF válido que abrirá em qualquer leitor durante muitíssimo tempo. Para uma peça judicial, um depósito em arquivo, uma obrigação de conservação regulada ou um depósito em biblioteca nacional, passe o resultado por uma ferramenta de conversão para PDF/A dedicada e valide-o depois, já que mesmo o software que diz produzir PDF/A produz com frequência ficheiros que falham a validação.