Como traduzir um PDF de várias colunas sem bagunçar a ordem de leitura

Resposta rápida: verifique a ordem de leitura antes de traduzir

Um PDF de duas colunas pode parecer organizado e ainda assim entregar os parágrafos a uma ferramenta de tradução na ordem errada. Quando isso acontece, a tradução pode ser fluente, frase por frase, enquanto a página como um todo deixa de fazer sentido. Nenhuma ferramenta consegue traduzir seu caminho para fora de uma fonte que leu na ordem errada.

Portanto, a ordem do trabalho é:

1. Verifique como a página é lida. Copie uma página representativa e confirme que cada parágrafo sai na ordem em que uma pessoa o leria.
2. Escolha o fluxo de trabalho a partir dessa verificação. Use uma tradução de PDF que preserve o layout quando a ordem estiver correta, o modo OCR quando o texto estiver inutilizável e uma rota de conversão e reparo quando precisar de um arquivo editável.
3. Verifique as colunas traduzidas. Observe a quebra de coluna, as legendas de figuras, as notas de largura total, as notas de rodapé e as linhas que ficam longas demais.

O restante deste guia mostra por que a etapa 1 não pode ser pulada, usando um pequeno teste que você pode baixar e executar por conta própria. Ele aborda PDFs com uma camada de texto real, como relatórios exportados, artigos e boletins informativos. Se suas páginas forem digitalizações, comece com como traduzir um PDF digitalizado.

O que testamos

Em 20/10/2026, criamos três PDFs de uma página a partir do mesmo texto: um título, uma caixa de figura no topo da coluna esquerda, três parágrafos em cada coluna, uma nota em negrito que abrange as duas colunas e uma nota de rodapé. Cada parágrafo começa com um marcador de P1 a P8, então a ordem de leitura correta é P1 a P8.

Os três arquivos diferem de maneiras que você não consegue ver na tela:

• two-column-stream-logical.pdf armazena o texto primeiro na coluna esquerda e depois na coluna direita.
• two-column-stream-rowwise.pdf parece idêntico, mas armazena as linhas linha por linha, alternando entre as colunas.
• two-column-no-figure-rowwise.pdf armazena o texto linha por linha e não tem caixa de figura. É o arquivo de controle.

Em seguida, extraímos o texto com sete métodos de código aberto comuns e registramos a ordem dos parágrafos que cada um retornou:

Nenhum dos sete métodos acertou os três arquivos. Todo método que acertou um arquivo errou outro. No arquivo de controle, pdftotext -raw, pdftotext -layout e PyMuPDF com sort=True também imprimiram três linhas que misturavam texto das duas colunas, que é exatamente o que um leitor vê quando o texto copiado atravessa a calha. O PyMuPDF com sort=True produziu uma dessas linhas em cada um dos outros dois arquivos também.

O teste é deliberadamente pequeno: uma página sintética em inglês, sem tags, criada com ReportLab. Ele não classifica essas bibliotecas e não testou nenhum produto de tradução, incluindo o BookTranslator. O que ele mostra é mais restrito e mais útil: a mesma página aparente pode produzir ordens de origem diferentes, então a única verificação confiável é o seu próprio arquivo.

Você pode reproduzir o teste com o gerador de fixture, os três PDFs (lógico, linha a linha, sem figura), o verificador de ordem, o executor de extratores que chama todos os sete métodos, e o CSV de resultados.

Por que a mesma página é lida em ordens diferentes

Os extratores usam uma de duas estratégias, e cada uma falha em um arquivo diferente.

Estratégia 1: seguir a ordem armazenada no arquivo. Um PDF desenha o texto na ordem em que seu criador o escreveu. O manual do poppler descreve pdftotext -raw como mantendo "o texto na ordem do fluxo de conteúdo" (e não recomenda mais esse modo), e a documentação do PyMuPDF diz que sua saída padrão é texto simples "como está codificado no documento" (manual do poppler pdftotext, receitas de texto do PyMuPDF). Isso funciona quando o arquivo armazena o texto na ordem de leitura. Falha quando a ordem armazenada é linha a linha, como no nosso segundo arquivo, mesmo que a página pareça a mesma.

Estratégia 2: reconstruir a ordem a partir de onde o texto está na página. O modo padrão do pdftotext tenta gerar texto "na ordem de leitura", o pdfminer.six agrupa linhas próximas em caixas e permite ponderar "uma posição horizontal e vertical" ao ordená-las, e o sort=True do PyMuPDF ordena "do canto superior esquerdo para o canto inferior direito" (pdfminer.six LAParams). Esses métodos ignoram a ordem armazenada, então os arquivos lógico e linha a linha dão resultados idênticos.

O arquivo de controle explica a falha. Sem a figura, o modo padrão do pdftotext e o pdfminer.six leem P1 a P8 corretamente. Adicione uma caixa de figura no topo da coluna esquerda, e o primeiro parágrafo à direita (P4) se torna o texto mais alto da página. Um método que pondera a posição vertical começa a página por ali.

Este é um design de página comum, não um caso extremo: artigos abrem a coluna esquerda com uma figura ou caixa de resumo, revistas iniciam uma coluna abaixo de uma imagem, e manuais colocam uma caixa de aviso acima do primeiro passo. A nota de largura total (P7) e a nota de rodapé (P8) permaneceram no lugar em todas as execuções, então uma verificação que olha apenas para o final da página vai perder o problema.

Passo 1: Verifique seu próprio PDF em cinco minutos

Os marcadores no nosso arquivo de teste não existem no seu documento, mas a mesma verificação funciona com algumas frases que você mesmo escolher.

1. Escolha a página mais difícil, não a primeira. Escolha uma página de duas colunas com uma figura, tabela ou caixa de nota perto do topo de uma coluna, além de um título ou nota de largura total no meio da página.
2. Anote cinco frases âncora, na ordem de leitura: as primeiras palavras da coluna esquerda, as últimas palavras da coluna esquerda, as primeiras palavras da coluna direita, o elemento de largura total e a legenda.
3. Copie a página inteira do seu visualizador de PDF e cole em um editor de texto simples. Se você usa uma ferramenta com pré-visualização da origem, use essa pré-visualização, porque ela mostra a ordem que a ferramenta realmente recebeu.
4. Encontre as âncoras no texto colado. Elas devem aparecer na ordem em que você anotou, e nenhuma linha deve conter palavras das duas colunas.
5. Repita para um tipo diferente de página, como uma página de referências, uma página com barra lateral ou a primeira página de um capítulo.

Interprete o resultado assim:

Copiar e colar é uma verificação rápida, não uma prova do que outra ferramenta fará. Nossa tabela mostra que duas ferramentas podem ler o mesmo arquivo de formas diferentes. O resultado do seu visualizador indica o quão arriscado o arquivo é. A prévia da própria ferramenta, ou uma tradução de teste de uma página, mostra o que aquela ferramenta realmente lê.

Se o texto for colado com as letras certas, mas com espaçamento ou quebras de linha quebrados, corrija os problemas de texto de copiar e colar antes de avaliar a ordem das colunas.

Etapa 2: Escolha o fluxo de trabalho com base no que você viu

Escolha o fluxo de trabalho com base na verificação, não na alegação de uma ferramenta de que mantém o seu layout.

A ordem está correta e o texto é selecionável. Traduza o PDF como um arquivo, não colando trechos. Um fluxo de trabalho que preserva o layout recoloca o texto traduzido na página, para que as colunas, figuras e cabeçalhos fiquem onde os leitores esperam. No BookTranslator, esse é o caminho padrão de tradução de PDF. Trate qualquer promessa de manter o layout, inclusive a nossa, como algo a verificar na página mais difícil que você encontrou na etapa 1, não como uma garantia.

A ordem se quebra apenas perto de figuras ou elementos em caixa. Antes de traduzir o documento inteiro, teste uma página problemática na ferramenta escolhida. Se essa página sair na ordem correta, a ferramenta não está usando a mesma estratégia da sua verificação de cópia. Se sair embaralhada, mude o fluxo de trabalho em vez de esperar que o restante do arquivo se comporte de forma diferente.

A página é digitalizada ou a camada de texto é inutilizável. Use OCR. O modo OCR do BookTranslator lê a imagem da página e reconstrói um PDF traduzido limpo. Essa página o recomenda para livros didáticos, artigos acadêmicos, tabelas e páginas com muitas imagens, onde preservar o conteúdo importa mais do que o layout exato. Não o testamos nos arquivos de exemplo deste guia. A troca é explícita: o modo OCR não tenta preservar o layout, as fontes ou os tamanhos de fonte originais. Para digitalizações em particular, veja como traduzir um PDF digitalizado.

Você precisa de um documento editável de qualquer forma. Converta o PDF para Word, corrija a ordem de leitura nele e traduza o DOCX. Isso exige mais esforço, mas é o único caminho em que você pode corrigir diretamente a ordem dos parágrafos antes da tradução. Também altera o layout, então use-o quando o resultado for editado posteriormente, não quando precisar parecer com a página original.

Evite colar colunas em um chatbot ou em uma caixa de texto. Você passa a ser responsável por reconstruir a ordem, as legendas e as notas de rodapé manualmente, em cada página. Nossa tabela mostra como essa ordem facilmente dá errado antes mesmo de você começar.

Para artigos acadêmicos, em que o mesmo problema se combina com equações, citações e referências, siga o fluxo de trabalho de tradução de artigos científicos. Para o processo geral de preservação de layout em todos os tipos de PDF, veja como traduzir um PDF mantendo o formato.

Etapa 3: Verifique as colunas traduzidas

Uma tradução em várias colunas falha em pontos que uma olhada rápida não percebe. Verifique estes cinco pontos em cada tipo de página que você testou na etapa 1:

1. A quebra de coluna. Leia a última frase da coluna da esquerda e a primeira frase da coluna da direita. O argumento deve continuar, não saltar para um parágrafo diferente.
2. Legendas e figuras. Toda legenda deve continuar sob sua própria figura, traduzida, e não deve ter se deslocado para o corpo do texto.
3. Elementos de largura total. Títulos, notas e citações destacadas que abrangem ambas as colunas devem continuar abrangendo-as, e não devem ser divididos em duas meias-frases.
4. Notas de rodapé e cabeçalhos. Os marcadores de nota de rodapé no corpo devem corresponder às notas na parte inferior da página, e os cabeçalhos de página não devem aparecer no meio de um parágrafo.
5. Transbordamento em colunas estreitas. O texto traduzido costuma ser mais longo que o original. As orientações do W3C sobre tamanho do texto na tradução citam dados da IBM de cerca de 130% de comprimento para textos de origem em inglês com mais de 70 caracteres quando traduzidos para línguas europeias, com aumentos maiores para strings curtas. Uma coluna estreita tem pouco espaço para esse texto extra, então procure por linhas cortadas, tipos reduzidos ou texto sobreposto a figuras. Títulos e células de tabela são os mais propensos a transbordar.

Para revisão, um arquivo bilíngue ajuda, mas seu layout importa. Colocar original e tradução na mesma página comprime dois idiomas em colunas que já eram estreitas. Na tradução padrão de PDF do BookTranslator (com o modo OCR desativado), o PDF bilíngue oferece dois layouts, Mesma página e Páginas separadas. Para documentos de várias colunas, escolha Páginas separadas: cada página de origem é seguida por sua página traduzida, assim cada coluna mantém sua largura original. Você ainda pode baixar também a versão somente da tradução. Nossa lista de verificação de QA de tradução de PDF cobre as verificações restantes no nível do arquivo.

Se o PDF traduzido também precisar funcionar com leitores de tela, a ordem visual não é suficiente. A ordem de leitura marcada precisa de sua própria verificação. O W3C observa que a ordem de leitura de PDF marcado é "determinada principalmente pela ordem das tags dos elementos do documento" (W3C PDF3). Nosso guia sobre acessibilidade de PDF traduzido mostra como testá-la.

O que este guia não afirma

• Não é um ranking de ferramentas. Os sete extratores foram escolhidos por serem comuns e fáceis de reexecutar. Cada um falhou em pelo menos um de três arquivos, e um arquivo de teste diferente poderia mudar quais falham.
• Não testou produtos de tradução. Não executamos o BookTranslator, DeepL, Google Translate ou qualquer outro tradutor nesses arquivos. As descrições de produtos acima vêm do texto atual do produto BookTranslator, não deste teste.
• Uma página não é um documento. Arquivos reais misturam designs de página, então verifique pelo menos dois tipos de página.
• PDFs marcados podem se comportar de forma diferente. Nossos arquivos de teste não são marcados. Um PDF devidamente marcado carrega uma ordem de leitura explícita que algumas ferramentas usam.

A regra prática continua válida de qualquer forma: descubra como seu PDF é lido antes de traduzi-lo. Se a ordem estiver correta, traduza o arquivo e verifique as colunas. Se estiver errada, mude o fluxo de trabalho, não as configurações de tradução.