Como extrair o texto de um PDF
- Solte um PDF na caixa acima ou clique em Escolher um PDF. A ferramenta mostra o número de páginas e o tamanho.
- Para ler só algumas páginas, digite-as no campo Páginas, por exemplo
1-3, 5, 8-. Deixe vazio para ler o documento inteiro. - Clique em Extrair texto. Uma barra de progresso mostra qual página está sendo lida.
- O texto aparece em uma caixa. Ative Adicionar uma linha “Página N” antes de cada página para não perder a conta das páginas, ou Juntar as linhas de cada parágrafo para tirar as quebras de linha que vêm só da largura da página.
- Clique em Copiar texto ou Baixar .txt. O arquivo recebe o nome do seu PDF, por exemplo
relatorio.txt.
O texto é lido dentro do seu navegador pelo motor de código aberto pdf.js. Seu PDF nunca é enviado, e não há cadastro, marca-d’água nem limite de páginas.
O que esta ferramenta consegue e não consegue ler
Um PDF pode guardar o texto de duas maneiras. Em um PDF digital, criado em um editor de texto, em uma página da web ou em um gerador de relatórios, as letras são caracteres reais com uma posição na página. Esta ferramenta os lê diretamente, o que é rápido e exato. Em um PDF escaneado, cada página é simplesmente uma fotografia do papel, então não há caracteres para ler. Se a ferramenta encontrar quase nenhum texto, ela avisa e indica outras duas: PDF para JPG, que converte as páginas em imagens, e Imagem para texto, que usa OCR para reconhecer as letras nas imagens.
O texto sai na ordem de leitura em que o PDF o guarda. A ferramenta reconstrói as linhas a partir da posição vertical das palavras e adiciona espaços onde as palavras estão claramente separadas. Os espaços entre parágrafos viram uma linha em branco. Cabeçalhos, rodapés e números de página são incluídos porque fazem parte da página.
Exemplo prático
Você tem um relatório anual de 24 páginas e precisa do texto do resumo, que está nas páginas 3 a 5, para colar em um e-mail. Digite 3-5, clique em Extrair texto e, como o resumo está diagramado em duas colunas estreitas, ative Juntar as linhas de cada parágrafo. As linhas cortadas viram parágrafos contínuos, prontos para colar. As estatísticas abaixo da caixa mostram algo como “Palavras: 412 · caracteres: 2.567 · 3 páginas”. Se depois você precisar do relatório inteiro com marcas de página para pesquisar, esvazie o campo Páginas, ative as linhas de página e baixe o arquivo .txt.
Solução de problemas
- Símbolos estranhos ou acentos que faltam. Alguns PDFs usam fontes sem correspondência entre os glifos e as letras, então o texto não pode ser recuperado. O OCR nas imagens das páginas é a alternativa confiável.
- Palavras coladas ou separadas. Depende de como o PDF foi gerado. As linhas são separadas por posições, então um espaçamento incomum pode juntar ou separar palavras de vez em quando.
- Tabelas. As células chegam como linhas de texto na ordem das linhas. Cole em uma planilha (Excel, Planilhas Google) e use “Texto para colunas” para reconstruir a tabela.
- PDFs com senha não podem ser lidos até você remover a senha em um leitor de PDF.
- A cópia está bloqueada no seu leitor de PDF? Se o documento é seu, normalmente dá para extrair o texto aqui. Respeite os direitos autorais ao reutilizar conteúdo de terceiros.
Perguntas frequentes
Meu PDF é enviado para algum servidor?
Não. O texto é lido dentro do seu navegador por um motor de código aberto carregado deste próprio site. Nem o arquivo nem o texto saem do seu dispositivo.
Por que não obtive texto, ou só alguns caracteres?
Provavelmente o PDF é um escaneamento: as páginas são imagens, não texto. A ferramenta avisa e indica PDF para JPG e Imagem para texto, que convertem as páginas em imagens e as leem com OCR.
O layout, as tabelas e as colunas são mantidos?
Ela reconstrói as linhas e os parágrafos a partir da posição das palavras, o que funciona bem com texto comum. Tabelas e layouts de várias colunas saem como linhas de texto e podem precisar de ajustes. Use “Juntar as linhas de cada parágrafo” para tirar as quebras de linha dentro dos parágrafos.
Funciona com português e outros idiomas?
Sim, desde que o PDF guarde texto de verdade com uma codificação de fonte correta. Acentos, cedilha e outros sinais são copiados exatamente como estão armazenados. Se o resultado mostrar símbolos estranhos, as fontes do PDF não têm correspondência com o texto e a alternativa é o OCR.
Posso extrair só algumas páginas?
Sim. Digite páginas como 1-3, 5, 8- no campo Páginas. Deixe vazio para ler o documento inteiro. Você pode adicionar uma linha “Página N” antes de cada página.