Como converter PDF para HTML para ler no navegador

O “PDF para HTML” gera um único arquivo .html com o texto de cada página e links para as páginas. “Incorporar recursos” adiciona uma imagem de cada página dentro do arquivo, mas o deixa bem mais pesado. Uma digitalização sem OCR mostra “(página vazia)”.

Às vezes um documento fica mais prático no navegador do que em um leitor de PDF: você encontra uma palavra com Ctrl+F, copia um parágrafo ou envia um arquivo que abre em qualquer aparelho. É para isso que serve a ferramenta PDF para HTML: ela tira o texto do PDF e o organiza página por página em um único arquivo HTML.

Vale saber de antemão o que você vai receber. O resultado é uma cópia para ler e pesquisar, não uma página da web diagramada. A seguir, veja o que entra no arquivo, como funcionam as duas configurações da ferramenta, o que fazer com digitalizações e como conferir o resultado rapidamente.

O que você recebe no final

O resultado é um único arquivo `.html`, e não um ZIP com uma pasta de imagens. Por padrão ele se chama `converted_` mais o nome do PDF original; dá para definir outro nome no campo “Nome do arquivo de saída”. Os estilos e as imagens (quando ativadas) ficam dentro do próprio arquivo, então ele abre sem internet, pode ser anexado a um e-mail ou copiado para um pen drive sem perder nada.

Dentro do arquivo, cada página do PDF vira um bloco separado com um título como “Página 1”, “Página 2” e assim por diante. O texto da página aparece em fonte monoespaçada e mantém as quebras de linha e os recuos do original. Os rótulos “Página N” e os avisos internos saem no idioma em que o site está aberto.

Primeiro confira se o PDF tem texto

A ferramenta não reconhece letras dentro de imagens: ela usa a camada de texto que o PDF já tem. O teste é simples: abra o PDF, selecione uma frase e cole em qualquer editor de texto. Se aparecerem palavras normais, a camada de texto existe. Se nada puder ser selecionado ou se o que colar for uma sequência de caracteres sem sentido, o HTML vai mostrar a mesma coisa.

O caso típico é uma digitalização ou uma foto de documento. Esse PDF é convertido sem erro, mas em cada bloco aparece “(página vazia)” no lugar do texto. Há duas saídas:

• Passar antes pelo OCR de PDF: a ferramenta acrescenta uma camada de texto invisível à digitalização. Baixe o PDF reconhecido e envie esse arquivo para o “PDF para HTML”. O texto reconhecido mantém as quebras de linha, mas não o alinhamento: colunas e células de tabela ficam separadas por um único espaço. O reconhecimento é explicado em detalhes em como reconhecer texto em PDF digitalizado.
• Se você não precisa do texto e só quer ler a digitalização no navegador, ative “Incorporar recursos”. As páginas vão aparecer como imagens, mas o arquivo fica bem mais pesado e a busca por palavras não funciona.

Conversão passo a passo

1. Abra o “PDF para HTML” e arraste o PDF para a área de envio ou clique em “ou escolha no seu dispositivo”. Cada execução processa um arquivo. 2. No bloco “Parâmetros”, digite um nome para o resultado em “Nome do arquivo de saída”, se precisar. 3. Decida se quer imagens das páginas: é isso que “Incorporar recursos” controla (desativado por padrão). 4. Mantenha ou desmarque “Incluir navegação” (ativada por padrão). 5. Clique em “Processar arquivo”, espere terminar e clique em “Baixar”.

Se o PDF pedir senha para abrir, o processamento para com uma mensagem sobre a senha. Remova a proteção antes; se você souber a senha, como remover a senha de um PDF mostra como fazer. Os limites de tamanho de arquivo e de número de páginas aparecem na própria página da ferramenta.

Só texto: “Incorporar recursos” desativado

É assim que a ferramenta funciona por padrão, e para a maioria das tarefas isso basta: o arquivo é leve e o texto pode ser pesquisado, selecionado e copiado. Mas não espere a reconstrução do layout original das páginas. O texto é posicionado mais ou menos onde estava na folha, o que significa:

• duas colunas correm lado a lado nas mesmas linhas: uma linha da coluna da esquerda e, depois de vários espaços, uma linha da coluna da direita;
• as colunas de uma tabela se sustentam só com espaços; não é uma tabela HTML de verdade;
• cabeçalhos, rodapés e números de página ficam dentro do texto de cada página.

Em uma tela larga esse arranjo é razoavelmente legível. No celular as linhas longas quebram e as colunas podem se misturar. Se o documento é diagramado em duas colunas e vai ser lido no celular, confira uma dessas páginas antes.

Imagens das páginas: quando ativar “Incorporar recursos”

O nome da opção não é dos mais claros: aqui “recursos” são as imagens das páginas. Com a opção ativada, acima do texto de cada página aparece a imagem dela em formato PNG, incorporada diretamente no HTML. O texto abaixo continua lá, então a busca e a cópia funcionam onde o PDF tem camada de texto.

Isso ajuda quando o sentido depende da aparência: um esquema de ligação em um manual, uma planta, carimbo e assinatura, fórmulas, uma tabela complexa. Por exemplo, no manual de um aparelho o esquema da página dois simplesmente não aparece na versão só com texto; sobram apenas as legendas dele.

O preço é o tamanho. Cada imagem acrescenta dados, e o arquivo fica muito maior que a versão só com texto. Um documento longo com imagens pode passar do limite de anexos do e-mail ou demorar para abrir em um celular mais simples. A imagem é só uma imagem: o esquema não vira um gráfico da web editável.

Navegação entre as páginas

“Incluir navegação” coloca no topo do arquivo uma barra de links: “Página 1”, “Página 2” e assim por diante. A barra é fixa: durante a rolagem ela continua no alto da tela, e qualquer página fica a um clique.

Os links levam a páginas, não a capítulos; o sumário do documento original não é reconstruído. Em um documento de centenas de páginas, a barra cresce para várias linhas e ocupa uma parte considerável da tela do celular. Nesse caso, desmarque “Incluir navegação” e use a busca do navegador para chegar ao trecho certo.

Conferindo o resultado e erros comuns

Abra o arquivo baixado com um clique duplo; ele abre no seu navegador padrão. Depois:

• pressione Ctrl+F (Cmd+F no Mac) e procure uma palavra conhecida do meio do documento;
• selecione e copie um parágrafo e cole em um editor;
• percorra uma página com tabela ou colunas;
• se a navegação estiver ativada, siga os links para o início, o meio e o fim do documento.

O que costuma dar errado e como perceber:

• “(página vazia)” em todas ou quase todas as páginas: o PDF é uma digitalização sem camada de texto e precisa de OCR;
• “(página vazia)” só em algumas páginas: ali há uma folha realmente em branco ou uma imagem inserida, como um anexo digitalizado;
• palavras de duas colunas misturadas: é efeito do arranjo; compare com a imagem da página ou com o PDF;
• o arquivo ficou pesado demais: converta de novo com “Incorporar recursos” desativado.

Se você só precisa do texto sem marcação, o PDF para texto é mais prático: ele salva um arquivo `.txt` simples.

Antes de publicar em um site

A cópia convertida não é uma página da web pronta. Os títulos são “Página N”, e não as seções do documento; as tabelas se sustentam com espaços; e as imagens das páginas também têm só o rótulo “Página N”, sem descrição do conteúdo. O idioma declarado no código da página é o do site em que você fez a conversão, não o do documento.

Para publicar, leve o texto para o editor do seu site, crie títulos de verdade, refaça as tabelas, descreva as imagens e confira a exibição em uma tela pequena. Guarde o PDF original para comparação e dê ao HTML um nome claro, para que ninguém o confunda com uma nova edição do documento.