Conversor de PDF para Word

PDF (ISO 32000-1 para PDF 1.7 e ISO 32000-2 para PDF 2.0) é um formato de layout fixo cujo conteúdo de página é um fluxo de operadores de desenho (`Tf` para selecionar fonte, `Td` para posicionar o cursor de texto, `Tj` para exibir uma sequência de glifos, `Tm` para a matriz de texto) em vez de um modelo de documento fluído. Não existe conceito de parágrafo, título ou tabela no nível do arquivo; esses são artefatos visuais produzidos por execuções de glifos posicionados absolutamente. Converter para DOCX (Office Open XML, ECMA-376 / ISO/IEC 29500), que É um modelo fluído com parágrafos `<w:p>`, tabelas `<w:tbl>` e propriedades de execução dentro de um contêiner ZIP, é portanto um problema de reconstrução e não de tradução. A extração de texto em si depende do CMap `ToUnicode` do PDF dentro de cada fonte incorporada: se o CMap estiver ausente ou mapear IDs de glifos para pontos de código Unicode de uso privado (um padrão comum anti-cópia), os caracteres visíveis não podem ser recuperados sem OCR, mesmo que a página seja renderizada corretamente. O PDF enviado é processado pelo motor de conversão do lado do servidor da ToolAct, que lê o fluxo de conteúdo da página como execuções de texto posicionadas e reconstrói a estrutura do documento sobre elas. Reconstruir parágrafos requer agrupar essas execuções por coordenada y (dentro de aproximadamente uma altura de linha), ordenar por coordenada x, detectar limites de coluna a partir do histograma de inícios x e inferir quebras de linha a partir de lacunas. A reconstrução de tabelas é mais difícil: tabelas com bordas podem ser recuperadas interseccionando os operadores de linha da página (`re`, `l`, `S`) em uma grade e atribuindo execuções de texto às células; tabelas sem bordas requerem heurísticas de detecção de coluna como as do Tabula ou Camelot, e a precisão cai drasticamente com células mescladas ou linhas múltiplas. As imagens são extraídas do dicionário XObject da página e re-incorporadas na pasta `media/` do DOCX. A saída DOCX é montada como um ZIP contendo `[Content_Types].xml`, `word/document.xml`, `word/styles.xml` e quaisquer mídias. A fidelidade de ida e volta é limitada: PDFs de texto com corpo em coluna única fazem ida e volta de forma limpa; layouts científicos de múltiplas colunas, tabelas sem bordas, tipografia matemática, ligaduras cujo CMap está ausente e texto rotacionado todos degradam. A preservação 100% de um PDF arbitrário é provavelmente impossível porque o modelo de fonte é estritamente mais expressivo que o destino. Os arquivos são excluídos do servidor imediatamente após a conversão.

• Especificação PDF: ISO 32000-1 (PDF 1.7) / ISO 32000-2 (PDF 2.0). O conteúdo da página é um fluxo de operadores (`Tf`, `Td`, `Tj`, `Tm`) que desenham glifos posicionados — sem parágrafo/título/tabela no nível do arquivo.
• Especificação DOCX: Office Open XML, ECMA-376 / ISO/IEC 29500. Um ZIP de partes XML (`word/document.xml`, `word/styles.xml`, `[Content_Types].xml`) com parágrafos `<w:p>` e tabelas `<w:tbl>` — um modelo fluído.
• A extração de texto depende do CMap ToUnicode da fonte; PDFs com CMaps ausentes ou mapeados para PUA são renderizados corretamente, mas a extração resulta em caracteres ilegíveis, forçando o fallback para OCR.
• Os arquivos são enviados ao motor de conversão do lado do servidor da ToolAct e excluídos imediatamente após a conclusão da conversão.
• Reconstrução de parágrafos: agrupar execuções de texto por coordenada y dentro de ~1 altura de linha, ordenar por x, detectar colunas a partir do histograma de início x, inferir quebras de linha a partir de lacunas entre execuções.
• Reconstrução de tabelas: tabelas com bordas vêm da interseção dos operadores de linha `re`/`l`/`S` em uma grade; tabelas sem bordas precisam de heurísticas de detecção de coluna (Tabula/Camelot) e degradam em células mescladas ou de múltiplas linhas.
• A preservação 100% de PDF→DOCX é provavelmente impossível — o modelo de fonte é estritamente mais expressivo que o destino. Layouts científicos de múltiplas colunas, tabelas sem bordas, tipografia matemática e texto rotacionado degradam mais.