Como remover páginas em branco de um PDF digitalizado

A página em branco de uma digitalização raramente é branca: tem fundo cinza, pontos de poeira e uma faixa do rolo. O detector renderiza cada página, remove os pontos isolados, mede a proporção de pixels escuros e conta os caracteres da camada de texto. A página só sai se as duas verificações a considerarem vazia. O nível de sensibilidade escolhe até que ponto uma folha “suja” ainda conta como limpa, e páginas com uma única assinatura ou carimbo merecem a proteção do reconhecimento de texto ou uma conferência manual.

Uma pilha de declarações de um lado só passou pelo alimentador automático no modo frente e verso, e no PDF uma página a cada duas está vazia. Ou o contrato digitalizado tinha metade das folhas preenchidas só de um lado, e agora o arquivo de quarenta páginas tem vinte em branco. Enviar assim é constrangedor, imprimir é desperdício, e excluir página por página à mão demora e é fácil errar.

Remover páginas em branco encontra essas folhas sozinho e as tira numa única passagem. Mas “página em branco” para o scanner e para uma pessoa não é a mesma coisa, e do jeito como o detector decide depende se ele vai jogar fora também uma página com assinatura. Vamos ver como ele funciona, o que os ajustes regulam e onde vale conferir.

De onde vêm as páginas em branco em um PDF

Quase sempre o culpado é o modo frente e verso do scanner. O alimentador automático captura os dois lados de cada folha, e se o verso está limpo, entra uma página vazia no arquivo. Numa pilha de documentos de um lado só, isso é exatamente metade do arquivo.

A segunda causa são as folhas separadoras: ficam entre os documentos para depois cortar a digitalização em partes, e alguém esquece de tirá-las. A terceira é a exportação de editores de texto: uma quebra de seção ou uma quebra de página sobrando no fim gera uma folha branca que não existia no texto.

Há uma quarta, e vale lembrar dela antes de iniciar: páginas em branco colocadas de propósito. Em livros e apostilas, cada capítulo começa na página direita, ímpar, e antes dele há um verso vazio. Em um documento preparado para impressão frente e verso, essas folhas sustentam a diagramação, e removê-las desloca todos os capítulos para páginas pares. Para arquivos “para impressão” é melhor excluir páginas por número, não com o detector.

Por que a página em branco de uma digitalização não é branca

Abra uma folha “vazia” da digitalização e dê zoom: ela não é branca. O papel tem um tom acinzentado, pontos de poeira do vidro se espalham pelo campo, uma faixa fina do rolo do alimentador corre ao longo da borda, e se o verso tinha conteúdo, o texto espelhado transparece pelo papel fino. Para um programa que procura pixels puramente brancos, essa página está cheia de conteúdo.

Por isso o detector não procura branco: ele mede quanto há na página de algo mais escuro que o papel. Cada página é renderizada como imagem e convertida para tons de cinza. Depois passa um filtro de mediana: cada pixel é substituído pela mediana dos vizinhos, os pontos isolados de poeira e o ruído do scanner somem, e manchas contínuas, letras e linhas ficam. Em seguida calcula-se a proporção de pixels mais escuros que o limiar do papel: numa digitalização realmente vazia ela fica perto de zero, numa página com um único parágrafo é bem maior.

O filtro resolve o principal problema das digitalizações: sem ele, uma folha salpicada de sujeira miúda pareceria preenchida e ficaria no arquivo.

A segunda verificação: a camada de texto

A imagem não é a única fonte. Se o PDF tem camada de texto, conta-se também, por página, o número de caracteres sem espaços. Isso importa em dois casos.

O primeiro são os documentos de editores. Uma página com a única linha “Anexo 2” quase não tem tinta, mas tem texto, e fica. O segundo é o inverso: uma página com camada de texto dizendo “Esta página foi deixada em branco intencionalmente” também fica, porque tem mais caracteres do que qualquer nível de sensibilidade admite. É o comportamento certo: ela foi colocada ali de propósito.

Para uma página ser removida, as duas verificações precisam coincidir: tinta abaixo do limiar e caracteres abaixo do limiar. Basta uma delas dar “preenchida” e a página permanece. Em uma digitalização sem texto reconhecido não há caracteres, e a decisão é tomada só pela imagem.

O que os três níveis de sensibilidade regulam

O nível de sensibilidade define os dois limiares de uma vez: quanta área pode ter algo escuro e quantos caracteres são admitidos para a página ainda contar como vazia. Quanto mais alto o nível, mais “suja” é a folha que o detector aceita como limpa.

Números para referência: no nível médio, vazia é a página com menos de um por cento da área mais escura que o papel e no máximo alguns caracteres na camada de texto. O baixo é duas vezes mais rigoroso, o alto duas vezes mais tolerante. Para comparar, uma linha de texto miúdo numa folha A4 ocupa bem menos de um por cento da área: no nível alto, uma digitalização com uma única linha curta pode ir embora.

Daí a regra prática: comece pelo médio. Sobraram folhas cinza vazias, suba o nível; sumiu algo necessário, desça. Cada execução processa o arquivo original de novo, então testar os níveis não estraga nada.

O limiar em porcentagem para ajuste manual

Abaixo dos níveis há um campo com um limiar em porcentagem; na interface ele aparece como “proporção mínima em branco”. É a mesma proporção de área, só que como número: um limiar de 95 significa que a página conta como vazia se pelo menos 95 por cento da área estiver limpa, isto é, no máximo cinco por cento de escuro. Quanto maior o número, mais rigorosa a verificação e menos páginas saem.

Enquanto o campo não é tocado, ele não participa, e o limiar vem do nível de sensibilidade. Assim que um valor é digitado, ele substitui o limiar de área do nível escolhido, enquanto o limiar de caracteres continua vindo do nível. Por isso vale usá-lo só quando os três níveis não serviram: por exemplo, uma digitalização muito escura, com fundo de alguns por cento da área, que nem o nível alto considera vazia. Aí o limiar desce abaixo do padrão do nível, e essas folhas vão embora.

O inverso também acontece: se a ferramenta se recusa a trabalhar por considerar vazias todas as páginas, com o limiar já no máximo, a mensagem de erro sugere reduzir a sensibilidade. O limiar, nesse caso, já não ajuda.

“Manter a primeira página”

Um interruptor separado protege a primeira página, mesmo que o detector a considere vazia. Ele serve para capas e folhas de rosto: em pastas digitalizadas, a primeira costuma ser uma folha quase limpa com uma única inscrição ou carimbo, fácil de perder no nível alto. Com a proteção ela fica, e as demais são verificadas normalmente.

O interruptor não vale para as outras páginas. Para manter uma folha limpa no meio do documento, como um separador antes de um anexo, será preciso devolvê-la depois, ou excluir as páginas em branco à mão, por número.

Passo a passo

1. Abra Remover páginas em branco e envie um PDF. A ferramenta processa um arquivo por vez: junte a pilha de digitalizações num único documento antes. 2. Deixe a sensibilidade no médio para a primeira passagem. Se a primeira página é uma folha de rosto, ative “manter a primeira página”. 3. Inicie o processamento. As páginas são verificadas uma a uma, por isso numa digitalização longa o indicador avança de modo uniforme, sem travar e pular para o fim. 4. Baixe o resultado e confira-o como descrito abaixo antes de excluir o original.

Se o arquivo está protegido por senha de abertura, a ferramenta não o aceita: primeiro tire a senha com Desbloquear PDF, depois remova as páginas. Uma proteção que só proíbe imprimir ou copiar não atrapalha. Um arquivo danificado que não abre, passe antes pelo Reparar PDF.

Como conferir o resultado

A ferramenta não mostra a lista das páginas removidas, mas dá para conferir em um minuto.

Primeiro olhe o número de páginas. Em uma digitalização frente e verso de documentos de um lado só, ele deve cair exatamente pela metade: eram quarenta, ficaram vinte. Se ficaram dezenove, uma página preenchida foi junto com as vazias, e é preciso achá-la. Se restaram vinte e três, três folhas vazias escaparam ao detector, e vale subir o nível.

Depois folheie o arquivo onde as páginas em branco certamente estavam: versos de declarações, limites entre documentos, fim do arquivo. As páginas vizinhas devem se seguir sem lacunas. Olhe com atenção especial as folhas com pouco conteúdo, como assinatura, carimbo, uma linha com o número do anexo ou uma anotação à mão: são elas que ficam mais perto do limiar.

Guarde o original até ter certeza do resultado. A ferramenta não o altera: a remoção acontece em um arquivo novo.

Páginas que o detector pode remover por engano

Todo detector automático tem uma zona de risco, e a deste é bem delimitada: páginas digitalizadas com pouca tinta e sem camada de texto.

• Folha com uma única assinatura ou rubrica. A assinatura ocupa frações de um por cento da área, e a digitalização não tem camada de texto.
• Página com carimbo ou selo sem texto em volta.
• Última página de um contrato com só a linha “Anexos: em 3 folhas” em letra miúda.
• Formulário com um único campo preenchido.
• Anotações claras a lápis em uma folha quase vazia.

Páginas assim quase sempre ficam no nível baixo, em geral também no médio, e no alto podem ir embora. Se o documento tem folhas assim, execute no nível baixo ou dê ao detector um segundo apoio antes.

O segundo apoio é a camada de texto. Se a digitalização passar pelo OCR de PDF antes da limpeza, o texto reconhecido aparece em cada página com algo legível: número do anexo, carimbo com o nome da empresa, uma linha em letra miúda. Para o detector, essa página deixa de ser vazia, não importa quanta tinta há na imagem. As folhas realmente em branco não ganham texto e continuam saindo. Uma assinatura sem uma única letra o reconhecimento não salva: confira essas páginas a olho.

O que mais muda no arquivo

Remover páginas não é só escondê-las do visualizador. A ferramenta monta um documento novo com as páginas restantes, reaponta os links internos e os marcadores para os novos números e descarta os objetos que ninguém mais referencia. O conteúdo das páginas removidas não permanece no arquivo. Isso importa se a página “vazia” era na verdade um verso transparecendo com dados de outra pessoa: depois ele some do arquivo.

A numeração impressa nas folhas, se havia, não é recalculada: é só texto na imagem. Se depois da limpeza for preciso numeração contínua, aplique-a de novo com outra ferramenta.

Em que ordem processar uma pilha de digitalizações

Remover páginas em branco raramente é a única operação sobre uma digitalização. Em geral o arquivo ainda precisa ser montado de partes, girado, reconhecido e compactado, e a ordem desses passos muda o resultado.

Monte o arquivo antes da limpeza, não depois. Juntando os documentos primeiro, as folhas vazias saem de todas as partes numa única execução, sem repetir o ajuste por arquivo. Girar páginas invertidas pode ser feito a qualquer momento: o detector olha a proporção de tinta, não a orientação.

Faça o reconhecimento de texto antes da limpeza se o documento tem páginas com pouco conteúdo, e depois dela se não tem. No primeiro caso a camada de texto protege folhas de assinatura e carimbos; no segundo o reconhecimento é mais rápido, sem páginas vazias gastando tempo.

Deixe a compactação por último. Ela recalcula as imagens das páginas, e cada página sobrando custa tempo e espaço. Além disso, uma compactação forte muda o tom do fundo cinza, e o limiar que servia para a digitalização original pode se comportar de outro jeito. O detector precisa ver o arquivo como o scanner o entregou.

Para uma pilha comum de documentos de um lado só: juntar as partes, remover as páginas em branco, girar se necessário, reconhecer o texto, compactar antes de enviar. Com folhas de assinatura e formulários, o reconhecimento passa para o segundo lugar, antes da limpeza.

Quando é melhor excluir por número em vez de usar o detector

A automação é boa para digitalizações em que as páginas em branco são igualmente vazias e numerosas. Em três casos o método manual é mais confiável.

O primeiro é o arquivo para impressão frente e verso, com versos vazios de propósito. O segundo é o documento com várias páginas quase vazias, mas necessárias: folhas de assinatura, formulários com um campo só. O terceiro é quando as páginas em branco são duas ou três e você sabe onde estão. Aí abra Remover páginas e informe os números, ou reorganize e tire o excesso a olho no Organizar PDF, onde cada página é vista antes de sumir.

E se ainda falta digitalizar, é mais simples não criar o problema: para documentos de um lado só, desligue o modo frente e verso no scanner, e os versos vazios não entram no arquivo. Quando a digitalização é feita com o celular, Digitalizar para PDF reúne só as fotos que você tirou, e nele páginas em branco não existem por construção.