PDF com letras estranhas ou trocadas: causa e como corrigir
Letras trocadas ou caracteres estranhos num PDF vêm de fonte sem mapa de texto ou de OCR ruim. Veja como diagnosticar com pdffonts e corrigir na origem ou no escaneado.
Letras estranhas ou trocadas num PDF costumam vir de uma fonte sem o mapa de texto (ToUnicode) ou de um OCR que leu a imagem errado. Rode pdffonts arquivo.pdf no terminal: fonte com uni em no não tem mapa de texto, e com emb em no não está incorporada. Se for fonte, reexporte o documento do programa de origem com as fontes embutidas. Se for escaneado, refaça o OCR a partir de uma digitalização de pelo menos 300 DPI.
Por que a letra vira outra coisa
Um PDF guarda o desenho de cada letra e, em separado, o texto que ela representa. Quando você seleciona ou busca uma palavra, o leitor usa esse texto, e não o desenho. Se o mapa entre os dois está faltando ou errado, a tela continua mostrando a letra certa, mas o que você copia sai diferente. Isso é comum com fontes subconjunto, que só guardam os desenhos usados no documento, e com fontes que o programa não soube traduzir para texto.
No escaneado, o problema é outro. Não há letra nenhuma no arquivo, só uma imagem. O texto pesquisável vem do OCR, que tenta adivinhar cada letra. Ele erra mais quando a digitalização é fraca, tem pouca resolução ou traz uma página torta. Os erros seguem um padrão: rn no lugar de m, l no lugar de 1, O no lugar de 0.
Causas e como confirmar
| Sintoma | Causa provável | Como confirmar |
|---|---|---|
| Visual certo, mas copia caracteres sem sentido | Fonte sem mapa de texto | Em pdffonts, a coluna uni mostra no para a fonte |
| Quadrados ou letras diferentes em outro computador | Fonte não incorporada, trocada pelo leitor | Em pdffonts, a coluna emb mostra no |
| Só uma fonte do documento sai errada | Fonte subconjunto com mapa incompleto | Cole o texto em outro leitor e compare com o original |
| Erros como rn por m e l por 1 em trechos digitalizados | OCR com erro na leitura da imagem | Compare o texto copiado com a página original, trecho por trecho |
| Letras acentuadas viram símbolos | Codificação de caracteres do programa de origem | Teste um trecho curto no programa de origem antes de exportar |
Como ler a saída do pdffonts
O comando lista uma linha por fonte. As colunas que importam são emb, que diz se a fonte está incorporada, e uni, que diz se existe mapa para texto. A coluna sub indica fonte subconjunto, o que é normal em PDFs de Word e de navegador, e não é o problema. Se as duas colunas emb e uni mostram yes para todas as fontes, o mapa existe, e o erro tende a estar no OCR ou na forma como o programa de origem gravou o texto.
Como corrigir um PDF exportado do Word
- Abra o documento original. Não tente consertar o PDF; o caminho certo é refazer a exportação.
- Ative a incorporação de fontes. No Word, vá em Arquivo, Opções, Salvar e procure a opção de incorporar fontes no arquivo. Deixe-a marcada.
- Exporte o PDF de novo. Use a opção de salvar como PDF, sem trocar a fonte do texto antes.
- Confira com pdffonts. Todas as fontes devem mostrar yes em emb. Copie uma frase com acento para um bloco de notas e veja se ela chega igual.
Como corrigir um escaneado com OCR ruim
Se o arquivo é uma digitalização, o caminho é refazer o reconhecimento de texto. O AjustaPDF não faz OCR, então você precisa de um programa que faça, como o Adobe Acrobat ou outro leitor com essa função. Antes disso, cuide da imagem: uma digitalização reta, limpa e em resolução adequada erra bem menos. Veja como escolher a resolução no guia sobre qual DPI usar para escanear um documento.
Se o documento é um escaneado que já tem texto errado e você só precisa copiar trechos, o guia sobre copiar texto de PDF escaneado mostra alternativas para pegar o texto certo sem depender do OCR do arquivo.
Como evitar o problema na próxima vez
A maior parte dos casos some com um cuidado simples antes de exportar. Use fontes comuns no documento, como as que já vêm com o sistema, porque o leitor de outro computador tende a ter a mesma fonte. Fontes baixadas da internet, de nome pouco conhecido, podem deixar o PDF sem mapa de texto ou sem incorporação, e vale testar o arquivo com mais atenção.
- Incorpore as fontes na exportação. Mantenha a opção marcada em todo PDF gerado por um programa de texto.
- Teste a cópia antes de enviar. Selecione um parágrafo com acentos, copie e cole em um bloco de notas. O que sair diferente indica um problema de mapa.
- Confira com pdffonts. Todas as fontes devem mostrar yes em emb, e a coluna uni deve estar preenchida com yes nas fontes do texto corrido.
- Abra em outro leitor. Um teste rápido no navegador mostra se a substituição de fonte está alterando o desenho das letras.
O que não resolve
As ferramentas do AjustaPDF não corrigem letras. Juntar, dividir, girar, comprimir e proteger trabalham com o arquivo como ele está, então um mapa de texto faltando continua faltando depois de qualquer uma delas. Se a fonte não está embutida, a compressão embute uma substituta no lugar dela, e a aparência errada passa a ser a definitiva. Quando o único arquivo disponível tem o problema e não há como refazer a exportação, a correção completa exige editar o texto ou refazer o documento. Para esse caso, leia sobre editar texto de PDF grátis e veja o que realmente funciona.
Há ainda um limite com OCR. Mesmo com um bom programa, a palavra reconhecida pode sair errada em fontes muito pequenas, em carimbos sobre o texto ou em tabelas com linhas cruzadas. Revise os números e nomes próprios, porque erro em um dígito de CPF ou de valor é o tipo de falha que não se percebe na leitura rápida.
Perguntas frequentes
Por que o PDF mostra letras certas, mas copia caracteres estranhos?
A fonte usada no PDF não tem o mapa que liga cada desenho de letra ao caractere correto. A tela mostra o desenho, então parece certo, mas ao copiar o leitor recebe um código sem sentido. Confirme com pdffonts: se a coluna uni mostra no para a fonte, esse é o motivo.
Dá para corrigir letras trocadas sem refazer o documento?
Em alguns casos, não. Quando a fonte não tem mapa de texto ou não está embutida, o arquivo só é consertado de verdade na origem, com a exportação refeita. Num escaneado com OCR ruim, é preciso repetir o OCR com uma ferramenta que o faça, porque o AjustaPDF não reconhece texto.
O erro veio do OCR ou da fonte?
Dá para saber olhando o texto copiado e a página original. Se o erro está só em trechos de digitalização e aparece como rn no lugar de m, ou l no lugar de 1, a causa é o OCR. Se as letras saem trocadas em todo o documento, mesmo nos trechos que não foram digitalizados, a causa é a fonte.
Por que o mesmo PDF fica certo em um computador e errado em outro?
Quando a fonte não está incorporada, o leitor troca por uma fonte que tem no sistema. Se essa fonte substituta não tem todos os desenhos usados, aparecem quadrados ou letras diferentes. Por isso, a exportação com as fontes embutidas resolve o problema em qualquer computador.
Comprimir o PDF corrige a fonte?
Não. A compressão reduz as imagens e regrava o arquivo, mas não cria o mapa de texto. Quando uma fonte não está embutida, o Ghostscript embute uma fonte substituta parecida, e a troca fica gravada no arquivo. Se o problema é de fonte, corrija no programa de origem e comprima só depois.