Acentos viram símbolos ao converter (ToUnicode)
Acentos viram símbolos ao copiar ou converter um PDF: como testar a origem do erro e por que o OCR não conserta a camada de texto defeituosa.
Acentos viram símbolos quando o PDF guarda as letras de uma fonte sem a tabela que diz qual caractere cada desenho representa. Na tela o texto parece certo, mas ao copiar ou converter o programa lê códigos errados. A correção depende da origem: refazer a exportação com as fontes incorporadas costuma resolver, e uma digitalização com OCR feito de novo também serve.
O que a tabela de caracteres faz
Um PDF desenha cada letra como um glifo, que é a forma visual do caractere. Para a tela, a forma basta. Para copiar, buscar ou converter, o programa precisa saber qual letra existe por trás de cada forma. Essa informação fica numa tabela chamada ToUnicode, que associa cada glifo a um código de texto. Quando a tabela falta, incompleta ou está errada, a página exibe bem e o texto extraído sai com símbolos, letras trocadas ou espaços onde não deveria haver nada.
O sintoma típico é o “ç” e o “ã” saindo como outros caracteres, enquanto as letras sem acento saem certas. Isso acontece porque algumas fontes usam codificações próprias para as letras acentuadas, e o programa que gerou o PDF nem sempre registra o mapeamento correto.
Teste em um minuto
- Selecione duas ou três linhas com acento e cole num bloco de notas. Se as letras aparecem certas, o problema está na conversão, e não no PDF.
- Use Ctrl+F para buscar uma palavra com acento. Se o leitor não encontra a palavra que está escrita na tela, a camada de texto está defeituosa.
- Compare com outro leitor. Se o outro leitor cola o texto certo, a falha está no leitor que você estava usando.
De onde costuma vir o problema
| Origem do PDF | Sintoma | Causa provável |
|---|---|---|
| Exportação de programa com fonte não incorporada | Acentos viram símbolos ao copiar | Tabela ToUnicode ausente ou incompleta |
| Fonte instalada só no computador de quem criou | Letras trocadas em outro computador | A fonte não viajou com o arquivo |
| Página escaneada com OCR anterior | Acentos trocados por letras parecidas | Reconhecimento ruim na origem |
Por que o OCR não conserta esta página
A ferramenta de OCR trabalha só nas páginas sem texto. Uma página que já tem uma camada de texto defeituosa é considerada com texto e fica como está. Por isso rodar o OCR de novo não resolve o problema. A solução é eliminar a camada defeituosa e criar uma nova, o que é feito em três passos.
- Transforme as páginas em imagem. A ferramenta de PDF para imagem gera uma imagem por página. Escolha 300 DPI, o máximo oferecido, para que o reconhecimento tenha detalhe suficiente.
- Junte as imagens em um PDF. A ferramenta de imagem para PDF cria um arquivo novo, com cada página como imagem.
- Rode o OCR em português. Como agora todas as páginas são imagem, o reconhecimento cria uma camada nova, com acentos reconhecidos a partir da forma da letra.
Esse caminho tem um custo. O texto deixa de ser texto original e passa a ser reconhecido, então erros de OCR podem aparecer em palavras que estavam certas. Além disso, o arquivo fica mais pesado. Confira o resultado com Ctrl+F nas palavras com acento antes de converter para Word.
A correção na origem
O caminho que preserva o texto é voltar à origem. Se o PDF foi gerado a partir de um documento do Word ou do LibreOffice, exporte de novo com a opção de incorporar as fontes ativada. Se o arquivo veio de um sistema, peça o PDF com as fontes embutidas ou o documento original, em formato editável. Uma exportação com fontes incorporadas carrega a tabela de caracteres e a forma das letras junto com o arquivo.
Se você não consegue exportar de novo e não tem o documento de origem, o caminho das imagens com OCR, descrito acima, é o que sobra. Para entender por que fontes sem a tabela de caracteres dão esse defeito, veja fontes embutidas no PDF e fonte subset no PDF; para o texto que sai embaralhado, e não só sem acento, o guia texto copiado do PDF sai embaralhado.
Quando o problema aparece só no Word
Se os acentos estão certos no PDF e aparecem errados depois da conversão, o problema está na fonte usada no documento convertido. Algumas fontes de origem não têm todos os caracteres acentuados, e o Word então exibe um substituto. Troque a fonte do trecho afetado por uma fonte comum, como Arial, Times New Roman ou Calibri, e compare de novo com o PDF.
O que não fazer
Não tente corrigir os acentos trocando manualmente cada símbolo sem antes descobrir a origem. Se o problema vem da fonte, o mesmo erro vai reaparecer em cada página e em cada conversão. Descobrir a causa com o teste de um minuto economiza horas de revisão.
Para entender por que um PDF mostra o texto de um jeito e entrega outro ao ser copiado, o guia sobre PDF vetorial ou de imagem ajuda a identificar qual tipo de arquivo você tem.
Perguntas frequentes
Por que os acentos viram símbolos quando copio texto de um PDF?
Porque a fonte usada no PDF não diz ao programa qual letra corresponde a cada glifo. Na tela o desenho fica certo, mas ao copiar o programa lê um código que não é a letra acentuada. Esse mapa de caracteres, chamado ToUnicode, pode faltar quando o PDF foi gerado sem incorporar a fonte, e a correção depende de onde o arquivo veio.
O OCR corrige acentos errados em um PDF que já tem texto?
Não. O OCR só lê as páginas que não têm texto, e as páginas que já têm camada de texto ficam como estão, mesmo que essa camada esteja errada. Para corrigir, é preciso refazer o PDF a partir da origem ou transformar as páginas em imagem antes do OCR, o que elimina a camada defeituosa.
Como converter para Word um PDF com acentos quebrados sem perder o texto?
Primeiro tente refazer o PDF na origem com as fontes incorporadas, porque é o caminho que preserva o texto. Se não houver origem, transforme as páginas em imagem em 300 DPI, junte as imagens num PDF e rode o OCR em português. Depois converta para Word e revise, porque o reconhecimento de imagem pode trocar algum acento.
Acentos certos no PDF e errados no Word também têm essa causa?
Não necessariamente. Se os acentos estão certos no PDF e errados no documento convertido, o problema está na fonte do Word, que pode não ter o caractere. Trocar a fonte do texto por uma fonte comum, como Arial ou Calibri, costuma resolver, e a conferência é feita comparando o trecho com o PDF original.