Informações do PDF: veja o que tem dentro de um PDF

O que existe de fato dentro de um arquivo PDF

Um PDF é um saco de objetos numerados — dicionários, vetores, números, cadeias e fluxos de bytes comprimidos — seguido de uma tabela de referências cruzadas que anota o deslocamento em bytes de cada um, e de um trailer que aponta para o catálogo do documento. O catálogo aponta para uma árvore de páginas, a árvore lista as páginas, e cada página aponta para seu fluxo de conteúdo e seus recursos. Nada é guardado em ordem de leitura e nada é guardado como uma foto da página. O leitor pula pelo arquivo usando deslocamentos, e é por isso que um manual de 900 páginas pode abrir na página 900 sem decodificar as 899 anteriores.

Esse desenho também é o ponto fraco do formato. Quando os deslocamentos da tabela estão errados — e scanners, preenchedores de formulário e bibliotecas de exportação baratas os escrevem errado com frequência —, um leitor rigoroso declara o arquivo quebrado enquanto os objetos continuam ali, intactos. Esta ferramenta reconstrói o índice varrendo o arquivo atrás de cabeçalhos de objeto quando a tabela não serve, e avisa quando precisou fazer isso. Esse arquivo ainda abre na maioria dos leitores, mas salve-o de novo em um aplicativo de PDF antes de mandar para algum lugar que importe.

Por que os tamanhos de página são a parte mais útil daqui

A geometria da página é guardada em pontos, e um ponto é 1/72 de polegada. US Letter é 612 × 792 e A4 é 595.28 × 841.89: os decimais estranhos são o que dá 210 × 297 milímetros. Esses números não são uma sugestão para a impressora; são a página. Um documento com 119 páginas A4 e uma Letter imprime como 119 páginas corretas e uma que sai escalada, deslocada ou de outra bandeja, e ninguém sabe qual foi.

Por isso esta ferramenta agrupa as páginas consecutivas em faixas. Uma faixa é cortada onde muda o tamanho, a orientação ou o corte, e é marcada toda página cujo tamanho de folha não bate com o da maioria. Uma linha só dizendo "1–240, A4" é um documento que vai imprimir de forma previsível. Seis linhas são um documento costurado a partir de várias fontes, e é ali que estão as emendas.

Por que uma página tem um MediaBox e também um CropBox?

Toda página carrega um MediaBox: a folha inteira, de canto a canto, em pontos. A maioria carrega também um CropBox, a região que o visualizador mostra e que a impressora imprime. Normalmente são idênticos. Quando não são, alguém cortou a página — e cortar um PDF quase nunca remove nada. O conteúdo fora do CropBox continua no arquivo, continua selecionável por qualquer ferramenta que ignore a caixa, e continua visível para quem aumentar o corte de novo. Se você cortou um PDF para esconder alguma coisa, um CropBox menor que o MediaBox é o aviso de que você não escondeu. A caixa de corte aparece aqui sempre que ela é menor que a folha. Um CropBox maior que o MediaBox está malformado e não muda nada — o leitor mostra a parte em que os dois coincidem —, então ele não é informado como corte.

Por que a rotação é metadado e não pixel?

Uma página virada de lado não é redesenhada. O conteúdo fica exatamente como estava e a página ganha uma entrada de rotação de 90, 180 ou 270 graus, que todo leitor aplica na hora de exibir. É por isso que endireitar uma digitalização de 400 MB é instantâneo e sem perda, e também por isso que uma impressora teimosa de vez em quando ignora a entrada e imprime a página do jeito que ela foi guardada. Os tamanhos listados aqui já têm a rotação aplicada, então mostram a forma com que a página se apresenta, não a forma com que ela foi desenhada. Uma página virada não conta de propósito como um tamanho de folha diferente: ela passa pela impressora no mesmo papel, e marcá-la esconderia a página que está de fato errada.

Creator, Producer e em qual acreditar

Dois campos de metadados são confundidos o tempo todo. Creator é o programa onde o conteúdo foi escrito: Word, InDesign, o software de um scanner. Producer é a biblioteca que escreveu os bytes do PDF. Producer costuma ser o mais informativo dos dois: ele diz se o arquivo saiu do Acrobat Distiller, do Ghostscript, de um "imprimir em PDF" do navegador ou de um script em Python, e isso diz o que esperar do arquivo. As datas são guardadas como cadeias de data de PDF, no estilo D:20240115103000+01'00', e aparecem aqui em formato ISO, com o fuso incluído. Tudo isso é texto livre escrito por aquilo que produziu o arquivo, então leia como uma afirmação, não como um fato.

O que esta ferramenta não consegue dizer

• Ela não abre um PDF protegido por senha. Arquivos criptografados são recusados, não contornados. Tire a senha no aplicativo que fez o arquivo e volte depois.
• Ela não desenha as páginas. Não há pré-visualização, porque desenhar uma página de PDF exige um motor de fontes e um rasterizador: cerca de um megabyte de código que todo mundo que abrisse esta página teria que baixar.
• Ela não extrai texto, fontes nem imagens, e não consegue dizer por que um arquivo é grande. Ela informa o tamanho, não uma divisão dele.
• Ela lê o dicionário Info clássico, não o XMP. Muitos arquivos modernos carregam um segundo bloco de metadados em XMP e às vezes os dois não batem, então um título que aqui parece vazio pode continuar existindo no XMP.
• A versão mostrada é a do cabeçalho do arquivo. O catálogo do documento pode sobrescrevê-la, e essa sobrescrita não é lida.
• A visualização rápida na web é lida do começo do arquivo. Se alguém salvou alterações por cima de um PDF linearizado, a marca sobrevive mas a disposição não, então um sim aqui significa "foi construído assim" e não "ainda está assim".

Tudo isso acontece na página que você está olhando. O PDF é lido com a API de arquivos do próprio navegador, nada é enviado para lugar nenhum, e a ferramenta continua funcionando com a rede desconectada.

Última atualização 19 de setembro de 2026