O que uma conversão de PDF para Word realmente faz, visto pelo registo de passos

Converter um PDF num documento editável costuma ser descrito como uma ação. Não é. Uma execução real deste site contém oito passos registados, dois deles falhas das quais o pipeline recupera. O registo vale a leitura porque explica ao mesmo tempo o preço e o comportamento em caso de falha.

O registo de uma tarefa bem-sucedida

inspect_document              pypdf-docx-editable     884 ms
  extract_document_content     pypdf-docx-editable     644 ms
  render_document_page         pypdf-docx-editable     482 ms  error: unsupported_renderer
  convert_to_editable_document compact_spacing         424 ms  error: strategy_requires_optimization
  convert_to_editable_document (retry)                1357 ms
  validate_editable_document                           4289 ms
  optimize_document_candidate  compact_spacing        1040 ms
  validate_editable_document (after optimise)          3875 ms

Duas dessas linhas são erros e a tarefa mesmo assim foi bem-sucedida. É o desenho: um erro num passo é informação que o ciclo usa, não um veredicto sobre o documento.

Porque renderiza a sua própria saída

O passo mais importante é validate_editable_document, e o mais lento: 4,3 segundos aqui. O que faz é renderizar o DOCX acabado de produzir de volta para imagem e compará-la com a página de origem. Cobertura de texto, números em falta, estrutura de tabelas, células unidas, contornos, texto fora dos limites da página.

É a diferença entre «a conversão correu» e «a conversão produziu algo utilizável». Um pipeline que para depois de escrever o ficheiro não sabe se o ficheiro está certo; um verificador que só lê o XML do DOCX pode confirmar que os parágrafos existem enquanto a página renderizada perdeu metade do texto. Renderizar de novo é como se descobre.

O erro unsupported_renderer no terceiro passo é a versão honesta da mesma ideia: o renderizador tentado não conseguia fazer o trabalho, por isso o pipeline di-lo em vez de saltar a verificação e fingir que a saída foi verificada.

O ciclo de reparação

Quando a validação encontra um problema, o pipeline não falha de imediato. Otimiza o candidato — aqui uma estratégia de espaçamento compacto para conteúdo transbordado — e valida outra vez. As duas conversões no registo são o mesmo documento convertido duas vezes com estratégias diferentes, e a primeira tentativa foi explicitamente rejeitada pela porta de otimização antes da segunda.

É por isso que uma tarefa bem-sucedida demora 35 a 70 segundos neste site e uma falhada 12 a 32. A falha aborta o ciclo; o sucesso leva-o até ao fim, com pelo menos uma renderização completa nova e comparação. Pagar o caminho lento é o objetivo: o caminho rápido produz documentos que parecem bem e aos quais falta uma coluna.

O que significa uma falha aqui

Das conversões registadas neste site, sete falharam e nove foram bem-sucedidas. As sete levam o mesmo código agent_execution_failed: o ciclo esgotou as tentativas de reparação, sem problema de faturação ou de rede. Em todos os casos nenhum ficheiro foi publicado e os créditos reservados foram libertados.

Essa distinção importa ao decidir se vale repetir. Aqui uma falha é uma afirmação sobre o documento — esta digitalização não sobreviveu à conversão nas tentativas disponíveis — não sobre uma indisponibilidade. Voltar a carregar o mesmo ficheiro falha normalmente da mesma forma. Uma digitalização mais nítida, ou um PDF digital em vez de uma fotografia, muda o resultado.

Do que os sucessos ainda avisam

Todas as conversões bem-sucedidas neste site trazem o aviso layout_approximate, e não é um defeito desculpado. Converter uma página de esquema fixo num documento fluido impede que tipos de letra e espaçamentos coincidam com o original — este não tinha estrutura rearrumável para preservar. Uma imagem de página coincidiria exatamente, mas então nada seria editável, o que destrói o propósito.

Saber qual dos dois precisa é a maior parte da decisão. Se o documento tem de parecer idêntico, precisa de um PDF, não de um Word. Se tem de ser editável, o esquema aproximado é o preço, e a pergunta útil passa a ser se o texto, os números e as tabelas sobreviveram — que é exatamente o que o passo de validação mede.