Como converter PDF para Word: 4 métodos, OCR e o que quebra

A Adobe criou o PDF em 1993 para que um documento fosse impresso igual em qualquer máquina, e o formato virou o padrão internacional ISO 32000-1 em 2008. Para cumprir essa promessa, uma página PDF é uma lista de instruções de desenho: coloque estes glifos nestas coordenadas, nesta fonte, trace uma linha aqui, ponha uma imagem ali. Uma frase que quebra para a segunda linha são apenas dois trechos de texto sem relação, que por acaso ficam um acima do outro. Nada no arquivo diz que eles pertencem ao mesmo parágrafo.

Um documento do Word funciona ao contrário. Um arquivo DOCX, definido pelo padrão Office Open XML (ECMA-376, depois ISO/IEC 29500), guarda parágrafos, estilos, tabelas, quebras de seção, cabeçalhos e rodapés, e o Word decide onde cada linha quebra toda vez que monta a página. Ao acrescentar uma palavra, o parágrafo se reorganiza. Mude a margem, a fonte ou o tamanho do papel e todas as linhas se movem. Esse comportamento é exatamente o que você quer ao editar, e exatamente o que o PDF nunca registrou, porque ele estava pronto no momento em que foi salvo.

Por isso, converter PDF em Word é reconstruir, não desembalar. O conversor precisa adivinhar quais linhas formam um parágrafo, qual linha em negrito é um título e não uma frase curta em negrito, quais palavras alinhadas formam uma tabela e em que ordem duas colunas devem ser lidas. Bons conversores acertam em documentos limpos e erram em documentos carregados. Se o PDF foi exportado com tags (a camada de estrutura usada para acessibilidade), os palpites melhoram, porque as tags registram títulos, listas e ordem de leitura de forma explícita.

Existem duas coisas muito diferentes que terminam em .pdf. Um PDF de texto foi exportado do Word, do Google Docs, de um sistema contábil ou da janela de impressão de um navegador, e contém caracteres reais que você pode selecionar, copiar e pesquisar. Um PDF escaneado foi feito por um scanner, uma copiadora ou um app de celular, e cada página é uma fotografia de papel. Para um conversor, uma página escaneada não tem palavra nenhuma, só pixels, mesmo que o texto pareça perfeitamente nítido na tela. O nome do arquivo e o ícone não dizem nada; os dois tipos são idênticos no gerenciador de arquivos.

Uma página escaneada precisa passar por reconhecimento óptico de caracteres (OCR) antes de gerar qualquer coisa editável. O OCR analisa o formato das letras e as transforma em texto, e a precisão depende de resolução, contraste, inclinação e idioma. Um escaneamento limpo de 300 dpi, preto sobre branco, é lido quase perfeitamente; uma foto de celular tirada em ângulo sob a luz de um abajur gera erros em todo parágrafo. Conversores sem OCR entregam um documento vazio ou um arquivo Word com cada página colada como uma única imagem.

Muitos arquivos do dia a dia são mistos: um contrato exportado como texto com a página de assinatura escaneada no final, ou um relatório com um anexo de recibos escaneados. Um conversor que verifica cada página separadamente lida melhor com isso, porque lê diretamente as páginas de texto e usa o OCR só onde precisa, deixando as páginas exportadas com todos os caracteres exatos. Se você mesmo faz os escaneamentos, o guia sobre escanear documentos em PDF explica a resolução e a iluminação que dão ao OCR a melhor chance.

O Microsoft Word abre PDFs diretamente desde o Word 2013, com um recurso que a Microsoft chama de PDF Reflow. É a escolha óbvia se o Word já está instalado, e funciona bem em cartas e relatórios simples. Ele converte um arquivo por vez. O Google Docs oferece um caminho parecido pelo Google Drive. A página de ajuda do Google sobre converter PDFs em texto recomenda arquivos de até 2 MB e diz que listas, tabelas, colunas, notas de rodapé e notas de fim provavelmente não serão detectadas, o que combina com o que se vê na prática: as palavras vêm, a estrutura muitas vezes não.

O Adobe Acrobat Standard e o Pro exportam para Word pela ferramenta Exportar PDF e aplicam reconhecimento de texto automaticamente em páginas escaneadas. O Acrobat é uma assinatura paga, e o Acrobat Reader gratuito não inclui a exportação. Um conversor no navegador fica no meio-termo: não precisa instalar nada, funciona em qualquer sistema operacional e costuma oferecer a escolha entre texto corrido e layout exato. Na página PDF para Word, Reconhecimento de texto (OCR) em Automático lê apenas as páginas sem camada de texto, e Idioma do documento define o alfabeto do OCR para escaneamentos que não estão em inglês.

O PDF Reflow do Word fica na caixa de diálogo Abrir comum, e por isso muita gente nunca o percebe. Funciona no Word 2013, 2016, 2019, 2021 e no Microsoft 365 para Windows. O Word mostra um aviso de que vai converter o PDF em um documento editável, de que isso pode demorar e de que o resultado pode não ficar igual ao original, principalmente se o arquivo tiver muitos gráficos. Clique em OK e a cópia convertida abre como um documento novo, não salvo; o PDF em si nunca é alterado.

A própria documentação da Microsoft lista elementos que podem não ser convertidos, como notas de rodapé que ocupam mais de uma página, notas de fim, indicadores e comentários do PDF e efeitos de fonte como brilho ou sombra. Na prática, o Word também tende a transformar barras laterais, citações destacadas e páginas de revista com várias colunas em caixas de texto flutuantes, que parecem certas, mas são chatas de editar. O Word também não tem uma configuração para o idioma de um escaneamento, então texto com acentos ou em alfabetos não latinos em páginas escaneadas é uma loteria. Para uma carta de uma página ou um relatório simples, porém, costuma ser o caminho mais rápido, e o resultado já fica no editor que você vai usar.

Texto de uma coluna com títulos reais é convertido bem por qualquer ferramenta: cartas, redações, contratos, a maioria dos relatórios. Negrito, itálico, listas com marcadores e tabelas simples com bordas visíveis costumam sobreviver. As imagens vêm junto desde que o conversor as mantenha, o que no conversor do navegador é a opção Manter imagens, ativada por padrão para DOCX. Hiperlinks em geral sobrevivem quando eram links de verdade no PDF; texto azul e sublinhado que nunca foi link continua sendo texto simples. Quanto mais limpo e convencional o layout original, menos você vai notar a conversão.

O problema começa onde o layout da página carrega significado. Texto em duas colunas pode ser lido na horizontal em vez de na vertical. Tabelas sem linhas de grade são difíceis de detectar e podem chegar como linhas separadas por tabulação. Cabeçalhos, rodapés e números de página são desenhados em cada página como texto comum, então muitas vezes caem no meio do corpo, uma vez por página. Campos de formulário preenchíveis são achatados em texto simples ou perdidos. Fontes incorporadas que não estão no seu computador são trocadas pela mais próxima, o que muda o comprimento das linhas. Para documentos que são principalmente tabelas, uma planilha é o melhor destino; veja como extrair tabelas de imagens e PDFs.

Antes de editar qualquer coisa, gaste dois minutos conferindo a conversão, porque um problema estrutural é mais fácil de corrigir no início do que depois de reescrever metade do texto. Coloque o PDF e o arquivo Word lado a lado e role os dois. Procure parágrafos faltando nos limites de página, cabeçalhos repetidos no corpo e tabelas que viraram linhas soltas. Com as marcas de formatação ativadas, uma marca de parágrafo no fim de cada linha significa que você recebeu um layout linha a linha em vez de parágrafos; converter de novo com Texto corrido costuma resolver mais rápido do que juntar as linhas à mão.

Em páginas escaneadas, execute a verificação ortográfica e preste atenção extra nos números, que os corretores ignoram. O OCR costuma confundir o dígito 0 com a letra O, 1 com l e 5 com S, e em uma nota fiscal ou contrato um único dígito errado pesa mais do que dez erros de digitação. Se parágrafos inteiros estiverem embaralhados, confira o Idioma do documento e converta de novo antes de corrigir à mão. Quando o layout não tem mais conserto, copie o texto limpo para um documento novo, baseado no seu próprio modelo; muitas vezes é mais rápido do que desembaraçar caixas de texto.

Todo conversor faz engenharia reversa de um documento que já existiu em forma editável em algum lugar. Se o PDF veio de um colega, de um cliente ou de você mesmo no passado, o DOCX, o Google Doc ou o arquivo do InDesign original quase sempre é melhor do que qualquer conversão: estilos intactos, tabelas reais, alterações e comentários preservados. Um e-mail curto pedindo o arquivo de origem pode poupar uma hora de limpeza, e as pessoas raramente se importam. Isso também evita um problema mais sutil: um arquivo convertido parece pronto, então pequenos erros introduzidos na conversão podem passar para a versão seguinte sem ninguém notar.

Pedir primeiro é a melhor decisão para documentos longos que você vai editar bastante, para modelos que vai reutilizar, para qualquer coisa com tabelas ou formulários complexos e para documentos jurídicos ou financeiros em que um único dígito mal lido é um risco. Converter é a melhor decisão quando o original se perdeu, quando o PDF é o escaneamento de um papel que nunca teve original digital ou quando você só precisa aproveitar alguns parágrafos. Nesse caso, o conversor de PDF também gera texto simples, que é mais limpo para citar do que um arquivo Word totalmente formatado.

Um PDF assinado ou certificado é um caso especial. Convertê-lo para Word remove a assinatura e a sua validade, então trate o arquivo Word apenas como cópia de trabalho. Se precisar enviar uma versão editada de volta, faça as alterações na cópia do Word, exporte de novo para PDF e assine novamente; não apresente o arquivo convertido como o original assinado. O mesmo vale para PDFs com certificação ou selo oficial: a marca visual pode sobreviver, mas a prova digital não.