Reparar PDF

O que costuma estar quebrado, e os dois caminhos de volta

A maioria dos PDFs que não abrem não está danificada em nenhum sentido relevante. Um PDF termina com uma tabela de referência cruzada — um índice que registra a posição, em bytes, de cada objeto do arquivo — e os leitores dependem dela para encontrar qualquer coisa. Corrompa esse índice e um documento perfeitamente intacto deixa de abrir, porque nada pode ser localizado, embora tudo esteja lá. Downloads interrompidos, um salvamento cortado no meio, um aplicativo que travou, um arquivo editado por algo que não atualizou as posições, uma transferência que estragou as quebras de linha: tudo isso quebra o índice, e nada disso toca no conteúdo.

A primeira passada se aproveita exatamente disso. O arquivo é interpretado de forma tolerante, ignorando as posições declaradas quando elas não batem com o que realmente está lá, e depois é gravado de novo com um índice correto, tamanhos de stream corretos e um trailer limpo. É isso que recupera a grande maioria dos arquivos, é rápido, e nada nas páginas é alterado — o resultado é o seu documento com um índice funcionando recolocado no lugar.

Quando o arquivo não pode ser interpretado de jeito nenhum, a segunda passada faz o que um programa de recuperação faz: varre os bytes brutos do começo ao fim em busca de cabeçalhos de objetos, coleta tudo o que ainda parece um objeto PDF e reconstrói o índice a partir do que de fato existe, e não do que o arquivo alega. A página informa qual das duas foi executada, porque isso importa — uma reconstrução significa que a estrutura original estava ilegível, e o resultado merece uma conferida antes de você confiar nele.

Nenhuma das passadas consegue inventar dados que não existem, e nenhuma ferramenta, em lugar nenhum, consegue. Se um download parou em sessenta por cento, os últimos quarenta por cento das páginas não existem no arquivo; a recuperação encontra as páginas que chegaram e para. Se o dano está dentro de um stream comprimido, esse stream não pode ser descomprimido, e a página que ele desenhava volta em branco enquanto as vizinhas ficam boas. Recuperar parte de um documento é o bom resultado normal aqui, e conseguir de novo o arquivo original é sempre melhor do que reparar uma cópia cortada.

Quando você precisa de outra coisa

O qpdf é a ferramenta de referência para isso e faz a mesma primeira passada com mais rigor: qpdf --replace-input damaged.pdf regrava o arquivo com um índice correto e lida com documentos criptografados, streams de objetos e arquivos linearizados que uma interpretação tolerante pode não aguentar. mutool clean -ggg in.pdf out.pdf vai além, reconstruindo a árvore de páginas e descartando tudo o que não é referenciado. Os dois são gratuitos, os dois processam arquivos muito maiores do que uma aba do navegador aguenta, e os dois dizem o que precisaram consertar.

Para um arquivo danificado a ponto de a varredura de objetos ser a única opção, o Ghostscript costuma ser o mais teimoso: gs -o repaired.pdf -sDEVICE=pdfwrite broken.pdf interpreta o conteúdo das páginas em vez de só reindexá-lo, o que às vezes reconstrói páginas que as outras ferramentas abandonam — ao custo de reescrever tudo, então a saída deixa de ser idêntica, byte a byte, ao que sobreviveu.