Editor de PDF

O mesmo processo de edição em dois formatos. A escolha depende de uma coisa só: se o texto antigo precisa apenas sumir de vista ou ser realmente retirado do arquivo.

Um PDF não guarda parágrafos editáveis: ele guarda instruções de desenho que colocam grupos de caracteres em coordenadas da página. Editar, então, é um processo de três passos — e nessa ordem, porque o texto novo só pode ser escrito depois que o antigo sai. As duas versões seguem o mesmo caminho; muda apenas a biblioteca que faz o trabalho (PyMuPDF no programa de mesa, pdf.js e pdf-lib no navegador).

1. 1

   Leitura

   O documento é lido trecho a trecho (span). Cada trecho traz o texto, a caixa que ele ocupa, a linha-base onde começa, a fonte, o corpo em pontos e a cor.

   # para cada span da página
   dados = pagina.get_text("dict")

2. 2

   Substituição

   A área do trecho antigo é marcada e apagada por uma redação — que remove só os caracteres, deixando imagens e desenhos vetoriais intactos. Em seguida o texto novo é escrito exatamente sobre a mesma linha-base, com o corpo e a cor originais. No navegador não existe redação: lá o trecho é coberto por um retângulo pintado com a cor de fundo lida dos pixels da própria página.

   pagina.add_redact_annot(caixa)
   pagina.apply_redactions(images=NONE, graphics=NONE)
   pagina.insert_text(origem, texto_novo, fontname, fontsize, color)

3. 3

   Gravação

   O documento é gravado novamente, com limpeza dos objetos que ficaram sem uso e compressão dos fluxos.

   doc.save(destino, garbage=4, deflate=True)

O tamanho da letra é sempre preservado: o corpo em pontos do trecho original é o mesmo usado no texto novo. Se o texto novo for mais comprido, ele avança para a direita, e o editor avisa quando passa da margem — nunca encolhe a fonte para caber. O espaçamento entre as palavras também: em uma linha justificada, o excesso de largura do trecho original é devolvido pelo operador Tw, o mesmo que o documento usava para justificar, e a linha continua alcançando a margem. A fonte do documento também: o texto novo é escrito com a mesma fonte embutida no arquivo, então Calibri continua Calibri e o trecho editado fica com o desenho de letra idêntico ao do resto da página. Quando a fonte não está embutida — ou não tem algum caractere que você digitou — o texto cai para a base-14 equivalente, as três famílias que todo leitor de PDF é obrigado a ter, mantendo o estilo.

• PDFs digitalizados são só imagem: não há texto para identificar. Seria preciso reconhecimento óptico de caracteres (OCR) — o programa avisa quando isso acontece.
• Quando a fonte não está embutida no arquivo, o texto novo usa a base-14 equivalente: Calibri vira Helvetica, Georgia vira Times, Consolas vira Courier — no mesmo tamanho e no mesmo estilo, com o desenho da letra aproximado.
• A edição é feita por trecho, e não por parágrafo: um texto bem maior que o original não reorganiza a quebra de linha sozinho. Como o tamanho da letra é preservado, o que passar da margem fica fora da área visível da página — o editor avisa quando isso acontece.
• Na versão online o texto antigo é coberto com a cor do fundo, e não apagado: ele continua dentro do arquivo e pode ser recuperado por quem souber procurar. Para retirá-lo de verdade, use a versão de mesa, que aplica a redação do próprio PDF.
• Alfabetos fora do conjunto latino-1 (grego, cirílico) não são cobertos pelas fontes base-14. Travessões e aspas curvas são convertidos automaticamente.