Otimizar PDFs: arquivos menores, digitalizações mais limpas, texto pesquisável

De onde vem o tamanho de um PDF

Texto ocupa muito pouco dentro de um PDF: cem páginas digitadas podem ocupar menos espaço do que uma única fotografia. O que deixa os arquivos pesados são as imagens, especialmente imagens guardadas com mais resolução ou profundidade de cor do que alguém precisa. Um documento digitalizado é o caso extremo, porque cada página é uma imagem de página inteira, mesmo quando só mostra texto preto em papel branco. Fontes incorporadas e muitos desenhos vetoriais acrescentam algum peso, mas raramente o suficiente para fazer diferença. Então a primeira pergunta diante de qualquer PDF grande demais é se ele está cheio de imagens. Se estiver, compressão e conversão para tons de cinza vão ajudar muito; se for principalmente texto, vão ajudar muito pouco, e dividir pode ser a melhor resposta. O guia para reduzir o tamanho de PDFs detalha resolução, qualidade JPEG e fontes.

Escolhendo uma ferramenta de compressão

Comprimir PDF oferece três níveis. Em um servidor com Ghostscript, eles reduzem as imagens para cerca de 72, 150 ou 300 DPI; sem ele, só as imagens acima do limite de resolução de cada nível são recomprimidas. Texto e gráficos vetoriais nunca viram imagens e, se o resultado não ficar menor que o original, o original é devolvido. Comprimir para um tamanho trabalha em direção a um limite rígido: testa configurações cada vez mais fortes, de cerca de 150 DPI até perto de 55 DPI, e para na primeira tentativa que couber. Se nenhuma couber, você recebe a menor versão, então confira sempre o tamanho final. Para documentos em preto e branco digitalizados em cores, PDF em tons de cinza remove dados que não acrescentam nada, e quando um limite é simplesmente pequeno demais para páginas legíveis, dividir o documento é a solução honesta.

Documentos digitalizados são fotos de texto

Uma digitalização parece um documento, mas se comporta como uma fotografia: não dá para pesquisar, copiar uma frase ou fazer um leitor de tela ler em voz alta. OCR PDF muda isso reconhecendo as palavras em cada imagem de página e colocando uma camada de texto invisível atrás delas. As páginas mantêm a própria imagem, e as que já têm texto ficam como estão, então um arquivo misto pode passar inteiro. O reconhecimento usa um modelo de idioma, então escolher o idioma do documento importa mais do que qualquer outra configuração. O guia sobre PDFs pesquisáveis explica as camadas de texto, por que elas importam para arquivos e acessibilidade e como saber se um PDF já tem uma.

Limpando digitalizações antes do reconhecimento

A precisão do OCR depende de uma entrada limpa, e duas ferramentas cuidam disso. Remover páginas em branco encontra páginas quase vazias medindo o brilho e a cobertura de tinta, mantém sempre as páginas que já têm texto e deixa você escolher o rigor da detecção. Endireitar PDF mede a inclinação de cada página e a nivela, o que melhora bastante o reconhecimento, porque o OCR espera linhas de texto retas. O endireitamento gira cada página em vez de redesenhá-la, então a digitalização mantém os detalhes, e ele vem antes do OCR para que o reconhecimento leia linhas retas. Uma sequência confiável para uma pilha de digitalizações é: remover páginas em branco, endireitar, rodar o OCR e comprimir por último. O guia de qualidade de digitalização fala sobre a captura, onde a maioria dos problemas pode ser evitada.

Reparando arquivos que não abrem

Um PDF que mostra erro, páginas em branco ou aviso de arquivo danificado muitas vezes tem um índice interno quebrado, e não conteúdo faltando. Reparar PDF abre o arquivo com o MuPDF, que reconstrói esse índice percorrendo o arquivo, e grava uma cópia nova e consistente. Quando o MuPDF não consegue ler o arquivo de jeito nenhum e o Ghostscript está disponível, uma segunda tentativa reescreve o documento inteiro. Mas o reparo tem um limite claro: trabalha com os dados que existem. Um download interrompido no meio não tem as páginas restantes, e nenhuma ferramenta consegue reconstruí-las, então baixar o arquivo de novo costuma ser mais rápido do que qualquer reparo. Arquivos reparados são um bom ponto de partida para arquivamento com a conversão para PDF/A.

Preparando PDFs para a web

Documentos publicados em um site têm exigências extras. Arquivos grandes precisam abrir rápido, e Otimizar PDF para web ajuda linearizando o arquivo para que os navegadores mostrem a primeira página antes de o resto chegar, desde que o servidor web aceite requisições por intervalo de bytes, como quase todos aceitam. O tamanho continua importando, então comprima antes. PDFs publicados também devem poder ser lidos por buscadores e leitores de tela, o que significa que digitalizações precisam de OCR, e devem ter um título adequado em vez do nome de um modelo esquecido; defina isso com Ver e editar metadados. Juntas, essas etapas fazem um documento abrir mais rápido, ser encontrado com mais facilidade e ficar mais acessível, sem mudar o que ele diz.

Conferindo o resultado

Otimizar sempre envolve concessões, então confira o resultado como o destinatário faria. Depois de comprimir, amplie para 200 por cento o menor texto e qualquer assinatura. Depois do OCR, pesquise uma palavra que você vê em uma página. Depois de remover páginas em branco, confirme a contagem de páginas e passe os olhos para ver se falta algo. Guarde os originais até ficar satisfeito, porque cada ferramenta gera uma nova cópia e o arquivo processado no servidor é excluído assim que o download termina. Algumas ferramentas de otimização dependem de motores que nem todo servidor tem instalados, como Ghostscript ou Tesseract; quando falta um, a ferramenta avisa claramente em vez de devolver um arquivo em que o trabalho foi pulado sem aviso.

Fluxos de trabalho comuns

Perguntas sobre como otimizar PDFs

Guias relacionados