PDF para Markdown

O PDF é para onde os documentos vão para parar de mudar. Essa é a sua função e a sua virtude, e é exatamente o problema quando o conteúdo precisa continuar vivo — como página de um site de documentação, entrada em uma base de conhecimento, arquivo em um repositório, ou entrada de algo que processa texto.

O Markdown é o tipo oposto de formato: texto puro, pequeno, comparável em diffs, legível sem nenhum programa específico e convertível em quase qualquer outra coisa. Levar conteúdo de PDF para Markdown transforma um artefato acabado de volta em algo que pode ser editado, revisado linha a linha e republicado.

Os destinos comuns são geradores de sites estáticos, wikis e plataformas de documentação, sistemas de notas, e repositórios sob controle de versão em que um diff significativo importa mais do que a apresentação.

Um PDF guarda glifos em coordenadas. Ele não registra que uma linha era um título, que três linhas eram um parágrafo, ou que uma coluna de itens era uma lista — isso são coisas que um leitor deduz da aparência. Um conversor precisa fazer as mesmas deduções a partir das mesmas evidências.

O tamanho do tipo carrega a maior parte do sinal. Texto substancialmente maior que o corpo é quase sempre um título, e os tamanhos distintos presentes em um documento mapeiam para níveis de título em ordem. Caracteres de marcador e números iniciais identificam listas. O espaçamento entre linhas e a indentação revelam onde os parágrafos começam e terminam, que é o que permite juntar de volta as linhas quebradas em texto corrido em vez de preservá-las como quebras rígidas.

Isso funciona bem porque a maioria dos documentos é tipograficamente convencional. Funciona mal em documentos que não são — em que o tamanho significa ênfase e não hierarquia, ou em que um designer deixou o texto do corpo grande e os títulos pequenos.

Documentos de coluna única, conduzidos por texto, são o caso forte: relatórios, artigos, políticas, documentação, ebooks, atas de reunião. Títulos, parágrafos, listas e ênfase são todos mantidos, e o resultado já é utilizável com uma edição leve.

Três coisas precisam de atenção de forma confiável. Layouts em várias colunas forçam uma decisão de ordem de leitura que às vezes não tem resposta, então um artigo acadêmico ou um boletim pode intercalar colunas. Tabelas raramente sobrevivem como tabelas, porque uma grade de texto alinhado não tem assinatura que a distinga de quatro colunas de texto separado, a menos que tenha sido desenhada com linhas. E cabeçalhos, rodapés e números de página se repetem em todas as páginas e caem no fluxo, já que eram moldura da página e não conteúdo.

Nada disso é um defeito da conversão, e sim uma consequência do que um PDF é. Reservar alguns minutos para apagar a moldura repetida e reconstruir uma ou duas tabelas é a expectativa realista.

Confira antes se o PDF tem texto: tente selecionar uma palavra. Se nada for destacado, a página é uma imagem e Aplicar OCR em PDF precisa vir primeiro — rodá-lo transforma uma conversão sem esperança em uma boa.

Depois, confira o resultado de cima a baixo em um editor com prévia ao vivo, o que deixa os níveis de título errados óbvios na hora. Corrigir a hierarquia de títulos antes de qualquer outra coisa vale a pena, porque é ela que determina como o documento se lê em todos os lugares onde for publicado.

Se você precisa das imagens além das palavras, PDF para JPG no modo extrair as tira no tamanho nativo. E se o que você queria de verdade era um documento editável em vez de um formato de texto, PDF para Word reconstrói parágrafos e tabelas de verdade, e é a ferramenta melhor.