Converter um PDF em Word já é bastante desafiador quando o documento de origem está em inglês, com uma ordem de leitura simples da esquerda para a direita e de cima para baixo. Quando o documento de origem está em árabe, hebraico, persa ou urdu, a conversão também deve determinar corretamente que o texto flui da direita para a esquerda, que os números no texto RTL são escritos da esquerda para a direita e que o layout geral da página começa no lado direito. A maioria dos conversores PDF para Word são projetados e testados principalmente em documentos LTR, e seu desempenho em conteúdo RTL varia de imperfeito a completamente inutilizável.
O formato PDF não armazena explicitamente a ordem de leitura como uma propriedade do texto. Ele armazena textos individuais como glifos posicionados na página. Para texto LTR, um conversor pode razoavelmente assumir que o texto é lido da esquerda para a direita e de cima para baixo porque isso corresponde ao layout físico. Para texto RTL, esta suposição está completamente errada. Uma linha de texto em árabe lida da direita para a esquerda na página será invertida por um conversor que assume a ordem LTR, produzindo uma saída onde cada linha é escrita ao contrário. Este não é um problema menor de formatação. Uma linha invertida de árabe é ilegível para quem fala árabe.
Um estudo de 2025 sobre a precisão da extração de PDF para texto em vários idiomas descobriu que as taxas de erro de extração RTL eram 3,6 vezes maiores do que as taxas de erro de extração LTR no mesmo conjunto de ferramentas de conversão, sendo a reversão da ordem das palavras o tipo de erro mais comum (Computational Linguistics Institute, "Multilingual PDF Text Extraction Accuracy", 2025). O estudo também descobriu que os erros não eram aleatórios. Ferramentas específicas consistentemente manipulavam RTL corretamente ou produziam resultados sistematicamente invertidos, o que significa que escolher a ferramenta certa para conversão RTL é mais importante do que ajustar as configurações de conversão, e a troca de ferramentas pode consertar uma conversão que parece irremediavelmente quebrada.
Como o PDF armazena texto RTL e por que a extração simples falha
Dentro de um PDF, o texto é armazenado como uma sequência de índices de glifos e comandos de posicionamento. Para cada execução de texto, o PDF especifica a fonte, os códigos de glifo dos caracteres e as coordenadas X e Y de cada glifo na página. Não há nenhuma bandeira explícita que diga "este texto é árabe" ou "esta linha é lida da direita para a esquerda." Um Conversor de PDF deve inferir a direção do texto a partir dos códigos de caracteres Unicode, que codificam a direcionalidade por meio do Algoritmo Bidirecional Unicode. Os caracteres árabes e hebraicos têm uma direção RTL intrínseca e o algoritmo Unicode especifica como reordenar uma sequência mista de caracteres RTL e LTR para exibição.
O problema é que a ordem bruta de extração dos glifos de um PDF pode não corresponder à ordem lógica dos caracteres no texto original. Um gravador de PDF é livre para colocar glifos na página em qualquer ordem, e alguns softwares de gravação colocam glifos RTL da esquerda para a direita no fluxo de conteúdo, mesmo que a ordem de leitura seja da direita para a esquerda. Um conversor que concatena ingenuamente os glifos na ordem de extração produzirá um texto que pode ser lido corretamente ou de trás para frente, dependendo de como o redator do PDF original escolheu codificar o texto. O mesmo documento árabe, quando impresso em PDF a partir de dois processadores de texto diferentes, pode produzir fluxos de conteúdo com ordens de glifos diferentes, e um conversor que funcione perfeitamente para um pode produzir texto invertido para o outro.
O Algoritmo Bidirecional Unicode, especificado no Anexo 9 do Padrão Unicode, define como reordenar uma sequência de caracteres com direcionalidade mista para exibição. Um conversor que implemente corretamente esse algoritmo pode lidar corretamente com a maioria dos textos RTL, independentemente da ordem dos glifos no fluxo de conteúdo do PDF. No entanto, a qualidade da implementação varia. O algoritmo lida bem com casos comuns, mas tem casos extremos envolvendo substituições direcionais aninhadas, pontuação nos limites de direção e texto de script misto, como um termo técnico em inglês dentro de uma frase em árabe.
Experimente PDF para Word
Nenhuma instalação necessária. Funciona diretamente no seu navegador.
Escolhendo um conversor que lide com a ordem de leitura RTL
Os conversores mais confiáveis para documentos RTL são aqueles que implementam o Algoritmo Bidirecional Unicode durante a extração de texto. Adobe Acrobat Pro e várias bibliotecas de código aberto, incluindo Apache PDFBox e pdfplumber, oferecem suporte a esse algoritmo em vários graus. Antes de optar por um conversor para um lote de documentos RTL, teste-o com uma única página representativa. Extraia o texto para o Word e compare a saída, palavra por palavra, com o PDF original. Verifique a inversão da ordem das palavras nas frases, o posicionamento correto dos números no texto RTL e se há sequências LTR/RTL mistas, como o nome de uma empresa em inglês dentro de um parágrafo em árabe.
Se o seu conversor reverter consistentemente o texto RTL, às vezes você poderá contornar o problema usando um caminho de conversão que passa por um formato intermediário. Converta o PDF em HTML ou em um formato de texto marcado usando uma ferramenta que lide corretamente com RTL. Em seguida, importe o formato intermediário para o Word. Este processo de duas etapas é menos conveniente do que a conversão direta de PDF para Word, mas quando o caminho direto produz texto invertido, o caminho indireto é a única rota automatizada para uma saída utilizável.
WukongPDF suporta conversão compatível com RTL que aplica a direção de leitura correta e alinhamento de texto automaticamente quando os metadados do documento de origem indicam uma linguagem RTL. O conversor detecta o script primário do documento e aplica as regras direcionais apropriadas durante a extração do texto, produzindo um documento Word com direção de parágrafo correta, alinhamento de texto e ordem de caracteres.
Preservando a estrutura do layout da página com documentos RTL
A ordem de leitura afeta mais do que apenas o texto. Todo o layout da página de um documento RTL é espelhado em relação a um documento LTR. A primeira página de um livro árabe é o que um leitor inglês consideraria a última página. As tabelas vão da direita para a esquerda. As listas são recuadas à direita. A margem de encadernação está no lado direito das páginas direitas. Uma conversão que lida corretamente com a direção do texto, mas não ajusta a estrutura do layout, produzirá um documento Word onde o texto é lido corretamente, mas tudo está posicionado como se fosse um documento LTR, com parágrafos alinhados à esquerda e listas recuadas à esquerda que parecem erradas para um leitor RTL.
Quando a conversão de PDF para Word se destina à edição e reexportação, preservar o layout Formato PDF é menos crítico porque o editor ajustará a estrutura. Quando a conversão é para fins de arquivamento ou referência, onde o documento Word deve corresponder visualmente ao PDF original, a preservação do layout é mais importante. Nesses casos, escolha um conversor que preserve o posicionamento da caixa de texto, o layout das colunas e o alinhamento das margens do original. Após a conversão, verifique manualmente se a direção do texto está correta em todas as páginas. Verifique se o alinhamento do parágrafo está definido como alinhado à direita para texto em árabe e hebraico, em vez do alinhamento à esquerda padrão. Verifique se todas as tabelas têm suas colunas na ordem correta da direita para a esquerda. Essas verificações manuais detectam problemas que a conversão automatizada não consegue detectar porque o conversor não entende o significado semântico do conteúdo.
Experimente PDF para Word
Nenhuma instalação necessária. Funciona diretamente no seu navegador.