Por que copiar e colar de um PDF gera caracteres estranhos (e como resolver)
EqualangEm resumo
Entenda por que PDFs nítidos colam quadrados ou letras trocadas quando falta a tabela /ToUnicode CMap, como analisar fontes em 10 segundos e como extrair texto limpo.
Palavras-chave: copiar colar pdf caracteres estranhos; copiar texto pdf desconfigurado; pdf toUnicode cmap ausente; pdffonts uni no; corrigir texto ilegivel copiado de pdf
Quando um arquivo PDF é exibido com nitidez impecável na tela, mas ao colar em um editor de texto se transforma em quadrados vazios (``), símbolos ilegíveis ou letras deslocadas (como "Olá" virando "Rnc"), o problema reside na ausência ou corrupção de uma tabela de mapeamento /ToUnicode (CMap) no dicionário de fontes embutidas. Como o formato PDF é derivado do PostScript e voltado à diagramação visual e ao desenho vetorial — e não ao processamento de texto —, o leitor de PDF precisa apenas dos identificadores de glifos (glyph IDs) e contornos vetoriais para desenhar caracteres nítidos no monitor. Ele não precisa saber qual ponto de código Unicode (como U+0041 para 'A') uma forma representa até o momento em que você pressiona Ctrl+C ou Cmd+C. Se essa tabela de conversão for omitida, corrompida ou bloqueada por uma camada oculta de OCR antigo, a área de transferência recebe índices numéricos brutos em vez de texto compreensível.
Como funciona a renderização de um PDF em comparação ao comando Ctrl+C
Parece contraditório que seus olhos consigam ler um parágrafo perfeitamente no Adobe Acrobat ou no Chrome enquanto o computador não consegue copiar uma única palavra legível. Essa divergência ocorre porque desenhar uma página na tela e extrair texto para a área de transferência utilizam duas estruturas de dados completamente separadas dentro da especificação do PDF (ISO 32000-1:2008, Seção 9.10, Extraction of Text Content).
Quando o renderizador do PDF exibe o texto na tela:
- O fluxo de conteúdo da página emite um operador de desenho contendo uma sequência de códigos de caracteres / identificadores de glifo (por exemplo,
<0001 0002 0003> Tj). - O renderizador consulta o programa de fonte embutida e localiza os contornos vetoriais do glifo
#1, glifo#2e glifo#3. - Desenha essas curvas cúbicas de Bézier exatamente nas coordenadas
(x, y)calculadas. Em nenhum momento o motor gráfico precisa saber se o glifo#1representa a letra'T', um símbolo de integral matemática ou o logotipo de uma empresa.
Quando você seleciona esse trecho e pressiona Ctrl+C ou Cmd+C, as curvas vetoriais não têm utilidade para a área de transferência do sistema operacional. O visualizador de PDF precisa traduzir cada ID de glifo interno de volta para um caractere Unicode padrão:
[Fluxo de renderização na tela]
Fluxo da página (<0001 0002 0003> Tj) ──► Contornos da fonte embutida ──► Pixels nítidos na tela
[Fluxo de cópia para a área de transferência]
Fluxo da página (<0001 0002 0003> Tj) ──► Tabela /ToUnicode CMap ──► Texto Unicode (U+0054 "T"...)
│
(Se ausente ou corrompida)
▼
Caracteres ilegíveis / Quadrados () / Letras trocadas
Se a ferramenta que gerou o PDF reduziu a fonte a um subconjunto (font subsetting) —mantendo somente os 42 caracteres utilizados no documento e numerando-os de 1 a 42 na ordem em que aparecem— sem incluir um fluxo /ToUnicode explícito, o leitor precisará adivinhar. O glifo #1 (que visualmente desenha um 'T') pode acabar associado ao ponto U+0001 (caractere de controle invisível), a uma área de uso privado (PUA) representada por um quadrado vazio, ou a um valor ASCII totalmente deslocado.
As 3 causas principais de caracteres ilegíveis ao copiar texto de um PDF
Nem todas as falhas de cópia produzem o mesmo tipo de texto distorcido. Observar o que aparece ao colar em um bloco de notas indica com precisão qual camada do documento está danificada:
1. Ausência ou falha de tabelas /ToUnicode CMap em fontes de subconjunto (subsets)
Para manter os arquivos pequenos, a grande maioria dos exportadores de PDF cria subconjuntos de fontes (ABCDEF+TimesNewRoman), embutindo apenas os glifos estritamente necessários para a exibição da página. Ferramentas antigas de compilação LaTeX (dvips / ps2pdf), exportadores de desenhos CAD, drivers de impressoras virtuais obsoletos e certos fluxos de publicações acadêmicas atribuem identificadores sequenciais internos (0x0001, 0x0002...) aos glifos conforme eles surgem, definem a codificação como Identity-H e omitem totalmente a tabela /ToUnicode.
No código bruto dos objetos internos do PDF, a diferença entre uma fonte íntegra e uma problemática é nítida:
% OBJETO DE FONTE VÁLIDO (Copiar e colar funciona) 12 0 obj << /Type /Font /Subtype /Type0 /BaseFont /BCDFEE+CMR10 /Encoding /Identity-H /ToUnicode 15 0 R % <-- Aponta para o fluxo CMap que mapeia glifos para Unicode >> endobj % OBJETO DE FONTE CORROMPIDO (Copiar gera caracteres ilegíveis) 12 0 obj << /Type /Font /Subtype /Type0 /BaseFont /BCDFEE+CMR10 /Encoding /Identity-H % <-- Apenas IDs internos, sem entrada /ToUnicode! >> endobj
2. Ligaduras tipográficas e codificações para fórmulas matemáticas
Em diagramações tipográficas refinadas (como as produzidas com fontes Computer Modern no LaTeX), pares de letras adjacentes como f e i são unidos em um único glifo estilizado (fi). Se a fonte registrar esse glifo individual em uma posição não padrão (como 0x0C) sem prever uma correspondência /ToUnicode para múltiplos caracteres (<000C> <00660069>), copiar a palavra "first" resultará em " rst" ou "?rst". O mesmo comportamento ocorre com letras gregas, sinais de menos e símbolos de somatório configurados em fontes Type 1 personalizadas para matemática.
3. Camada de texto OCR invisível e corrompida sob uma digitalização nítida
Em artigos digitalizados antigos ou livros escaneados, o que você vê é na verdade uma imagem de mapa de bits em alta resolução (JPEG ou JBIG2). Para viabilizar a busca de palavras, softwares de escaneamento aplicavam há anos um OCR básico e inseriam uma camada de texto invisível (modo de renderização 3 Tr) posicionada exatamente sobre a imagem. Ao selecionar o texto na página, seus olhos acompanham a imagem nítida, mas o cursor está selecionando aquela camada transparente defeituosa gravada no arquivo anos atrás.
Diagnóstico em 10 segundos: inspecione a tabela de fontes do PDF
Antes de gastar tempo testando diferentes leitores de PDF ou conversores comuns de PDF para Word, confira se o arquivo realmente carece da tabela /ToUnicode.
Método A: Execute pdffonts no terminal (mais rápido)
Se você tiver instalado o utilitário da biblioteca de código aberto Poppler (brew install poppler no macOS ou sudo apt install poppler-utils no Ubuntu/Debian), execute o comando pdffonts indicando o seu arquivo:
pdffonts document.pdf
Examine com atenção as colunas sub (subconjunto ativo) e uni (presença de /ToUnicode):
name type encoding emb sub uni object ID ------------------------------------ ----------------- ---------------- --- --- --- --------- GJXPKL+CMR10 Type 1C Custom yes yes no 14 0 GJXPKM+CMSY10 Type 1C Custom yes yes no 18 0 ArialMT TrueType WinAnsi yes no yes 22 0
uni = yes: A fonte contém uma tabela/ToUnicode. Se ainda assim o texto copiado sair distorcido, o mapeamento interno possui erros propositais ou você está copiando de uma camada de OCR invisível corrompida.sub = yesEuni = no: Causa confirmada. A fonte é um subconjunto com codificação proprietária e nenhuma informação de conversão Unicode gravada no arquivo. Nenhum leitor de PDF ou conversor convencional sem OCR conseguirá extrair texto legível a partir desse fluxo.
Método B: Verifique Arquivo > Propriedades > Fontes no Adobe Acrobat Reader
Se preferir realizar a verificação visualmente:
- Abra o documento no Adobe Acrobat Reader.
- Pressione
Ctrl+D(Cmd+Dno macOS) ou acesseArquivo > Propriedadese clique na abaFontes. - Expanda as fontes da página em que o texto falha. Se encontrar
Codificação: Personalizada(Encoding: Custom) ouIdentity-Hem uma tipografia com a indicação(Subconjunto incorporado)—especialmente em fontesType 1,Type 3ouCID—, esse elemento é o responsável direto pelos caracteres distorcidos ao colar.
Como recuperar e extrair texto legível
Quando você comprovar a ausência de /ToUnicode (uni = no) ou o dano na camada OCR antiga, evite insistir em atalhos comuns de cópia ou conversores diretos para Word. Esses utilitários leem a mesma tabela defeituosa que a sua área de transferência. Para recuperar palavras compreensíveis, é necessário contornar os códigos de caracteres internos do arquivo e processar as formas visuais por meio de reconhecimento óptico de caracteres (OCR).
Solução 1: Capturar trechos curtos instantaneamente com OCR de tela
Se você precisa apenas de alguns parágrafos, uma citação ou uma linha de tabela:
- macOS (Pré-Visualização ou Texto ao Vivo): Faça uma captura de tela (
Cmd+Shift+4) do trecho e abra no app Pré-Visualização. O recurso Texto ao Vivo do macOS desconsidera completamente a tabela de fontes do PDF e reconhece os caracteres a partir dos pixels visíveis. - Windows (Extrator de Texto do PowerToys): Pressione
Win+Shift+Tpara arrastar uma área de seleção sobre a janela do PDF e copiar o texto reconhecido diretamente para a área de transferência.
Solução 2: Reconstruir toda a camada de texto do PDF com ocrmypdf --force-ocr
Para gerar um documento definitivo e pesquisável, em que o atalho Ctrl+F e a seleção com Ctrl+C funcionem normalmente ao longo de dezenas de páginas, use a ferramenta de linha de comando ocrmypdf com o parâmetro --force-ocr. Ferramentas tradicionais de OCR costumam ignorar páginas que já apresentam fontes embutidas; já o --force-ocr rasteriza a página vetorial em 300 DPI, descarta o mapeamento de fontes quebrado (ou o texto OCR antigo corrompido) e grava uma camada Unicode nova e fiel:
# Instalar ocrmypdf (macOS / Ubuntu) brew install ocrmypdf # ou: sudo apt install ocrmypdf # Forçar a substituição do mapeamento quebrado ou OCR corrompido por uma camada Unicode limpa ocrmypdf --force-ocr documento-corrompido.pdf documento-limpo.pdf
Se o material contiver múltiplos idiomas (como manuais técnicos em inglês e português ou alemão), indique os pacotes de linguagem do Tesseract (-l eng+por ou -l eng+deu).
Solução 3: Traduzir PDFs acadêmicos ou técnicos sem depender de copiar e colar
Na maioria das vezes, a necessidade de copiar texto surge ao tentar traduzir artigos científicos de duas colunas ou relatórios de engenharia colando trechos em tradutores online.
Em vez de corrigir manualmente caracteres quebrados, remontar ligaduras corrompidas ou reunir frases divididas entre colunas, você pode enviar o documento diretamente para uma solução com análise visual de layout, como a Tradução de Documentos do Equalang (veja como traduzir e ler documentos PDF lado a lado). Ao reconstruir o texto com base no layout gráfico, o fluxo contorna a ausência de tabelas /ToUnicode, preserva a diagramação em múltiplas colunas, tabelas e equações, e permite acompanhar o texto original e a tradução lado a lado em sincronia.

Perguntas frequentes
Por que o PDF parece perfeitamente nítido com zoom de 400%, mas ainda cola caracteres estranhos?
Porque a nitidez visual vem dos contornos vetoriais dos glifos (fórmulas geométricas presentes na fonte embutida), enquanto a cópia de texto depende de outra tabela: o mapeamento de código de caractere para Unicode (/ToUnicode CMap). O leitor de PDF possui todas as instruções para desenhar as formas das letras em qualquer ampliação, mesmo sem saber a qual letra Unicode aquela forma visual corresponde.
Remover restrições de senha de um PDF resolve o problema de texto ilegível ao copiar?
Não. As permissões de segurança de um PDF controlam apenas se a opção Copiar fica clicável ou esmaecida nos menus. Se você consegue selecionar o texto, teclar Ctrl+C e colar algo (mesmo que sejam símbolos ou quadrados), não há bloqueio de permissão ativo. A falha é estrutural: a tabela /ToUnicode está ausente ou corrompida.
Por que abrir o PDF no Microsoft Word ou em conversores gratuitos gera os mesmos símbolos?
Muitos conversores rápidos de PDF para Word extraem diretamente os fluxos de texto internos das fontes sem rodar reconhecimento óptico de caracteres. Quando o pdffonts acusa uni = no, as identidades Unicode dos caracteres não existem no arquivo; portanto, qualquer ferramenta sem OCR visual produzirá exatamente os mesmos símbolos ilegíveis.