Português
Como extrair texto de um PDF
Para extrair texto de um PDF, solte o arquivo na caixa acima. O texto aparece à direita assim que as páginas são lidas, e você pode copiá-lo ou baixá-lo como .txt ou Markdown. Tudo acontece no navegador, então um contrato, um extrato bancário ou um manuscrito inédito nunca é enviado a um servidor.
- Adicione um PDF ou vários. Use o botão de exemplo se quiser apenas ver o que a ferramenta faz.
- Escolha texto simples ou Markdown e decida se as linhas devem ser juntadas em parágrafos.
- Digite um intervalo de páginas se precisar só de parte do arquivo, por exemplo 1-3, 5, 8-.
- Confira o resultado na visualização do documento inteiro ou página por página, depois copie ou baixe. Com vários arquivos, Baixar tudo (.zip) gera um arquivo de texto para cada PDF.
As contagens de palavras e caracteres acima do texto valem para as páginas selecionadas, o que ajuda a contar rapidamente um relatório longo sem abrir um editor de texto.
Por que o texto copiado de um PDF parece quebrado?
Um PDF não guarda parágrafos. Ele guarda pedaços de texto com coordenadas, desenhados na ordem que o programa que criou o arquivo escolheu. Ao selecionar e copiar em um leitor de PDF, você recebe uma quebra de linha no fim de cada linha impressa, palavras cortadas ao meio por hífens e, em um artigo de duas colunas, a primeira linha da coluna da esquerda seguida pela primeira linha da coluna da direita.
Esta ferramenta reconstrói a estrutura a partir das coordenadas:
| Problema ao copiar | O que a ferramenta faz | Opção |
|---|---|---|
| Uma quebra de linha depois de cada linha impressa | Junta as linhas de um parágrafo e mantém os espaços entre parágrafos | Quebras de linha |
| distri- buição dividido em duas linhas | Remove o hífen e junta a palavra | Corrigir palavras divididas por hífen |
| Colunas misturadas | Lê a coluna da esquerda até o fim, depois a seguinte | Ler as colunas uma depois da outra |
| Número de página e título em todas as páginas | Descarta linhas que se repetem na margem superior ou inferior | Remover cabeçalhos, rodapés e números de página repetidos |
| Uma tabela recolhida em um fluxo de palavras | Mantém linhas e colunas, separadas por tabulação ou em tabela Markdown | Detectar tabelas |
Um cuidado com a correção de hífen: ela junta uma continuação em minúsculas à palavra anterior, então uma palavra composta que por acaso quebra no hífen, como “guarda-
chuva”, vira “guardachuva”. Desmarque a opção em documentos cheios de palavras compostas.
Texto simples ou Markdown?
Texto simples é a opção mais segura para colar em um e-mail, em um aplicativo de notas ou em uma ferramenta de tradução. O Markdown é melhor quando o texto vai para documentação, uma wiki ou um aplicativo de notas que o entenda. A ferramenta estima os títulos pelo tamanho da fonte: o maior tamanho vira #, o seguinte ##, depois ###. Listas com marcadores e numeradas mantêm os marcadores, e tabelas viram tabelas Markdown. Um PDF que usa um só tamanho de fonte para tudo simplesmente não tem títulos para encontrar.
Digitalizações em PDF e OCR
Uma digitalização é uma foto de uma página, então não há texto para extrair. Quando uma página não tem camada de texto, aparece uma caixa de OCR onde você escolhe o idioma e lê as páginas. O mecanismo de OCR (Tesseract) roda no seu navegador. O mecanismo e os dados de idioma são baixados na primeira vez que você o usa (alguns megabytes, mais para alguns idiomas), e as suas páginas continuam sem ser enviadas.
- Uma digitalização limpa a 300 DPI dá bons resultados. Uma foto de celular tirada de lado, com sombras, dá resultados bem piores.
- Escolha o idioma certo. OCR em inglês numa página em português perde todos os acentos.
- Tabelas e layouts de várias colunas são menos confiáveis com OCR do que com texto real. Revise números em especial.
O que ela não consegue fazer
Texto que faz parte de uma imagem, de um gráfico ou de um desenho não é texto no PDF e é ignorado, a menos que você use OCR na página. Layouts complexos, com caixas flutuantes, barras laterais ou texto contornando imagens, podem ser lidos na ordem errada, e a visualização página por página é a forma mais rápida de identificá-los. PDFs feitos com uma codificação de fonte danificada podem gerar letras embaralhadas, que você verá no resultado antes de baixar qualquer coisa. Texto desenhado na vertical fica de fora. Arquivos acima de 150 MB são recusados para que a aba não fique sem memória.
Perguntas frequentes
Como extrair texto de um PDF sem enviá-lo?
Solte o PDF nesta página e o texto aparece à direita logo depois, pronto para copiar ou baixar como .txt. Seu navegador lê o arquivo, então nada sai do seu celular ou computador. Um PDF de texto com 20 páginas leva alguns segundos.
Por que o texto copiado de um PDF tem quebras de linha e espaçamento estranhos?
Um PDF guarda cada linha como pedaços separados posicionados na página, não como parágrafos. Esta ferramenta devolve os pedaços à ordem de leitura, junta as linhas de cada parágrafo e corrige palavras divididas por hífen no fim de uma linha, para que o resultado cole limpo em um documento. Se você precisar das linhas exatamente como foram impressas, mude Quebras de linha para Manter quebras de linha.
Ela consegue ler PDFs com duas ou três colunas na ordem certa?
Sim, na maioria dos casos. A ferramenta procura um espaço vertical claro e lê cada coluna de cima para baixo antes de passar para a seguinte, enquanto um título de largura total acima das colunas continua no topo. Páginas de revistas com texto contornando imagens, barras laterais ou caixas irregulares ainda podem sair na ordem errada, então confira essas páginas na visualização página por página.
Como extrair texto de um PDF digitalizado?
Use a caixa de OCR que aparece quando uma página não tem camada de texto. Escolha o idioma do documento e clique em Ler páginas com OCR. O mecanismo roda no seu navegador, e a primeira execução baixa os dados do idioma uma única vez. Uma digitalização limpa a 300 DPI é lida bem; uma foto torta tirada com o celular, bem pior, então revise o resultado.
Posso obter o texto em Markdown com títulos?
Sim. Escolha Markdown (.md) e o texto maior vira títulos: o tamanho mais grande vira #, o seguinte ##, e assim por diante com ###. Listas com marcadores ou numeradas mantêm os marcadores, e tabelas viram tabelas Markdown. Os títulos são estimados pelo tamanho da fonte, então um PDF com um único tamanho em todo o texto não terá nenhum.
Como remover cabeçalhos, rodapés e números de página do texto extraído?
Deixe marcada a opção Remover cabeçalhos, rodapés e números de página repetidos. Linhas na margem superior ou inferior que se repetem em pelo menos metade das páginas, e números de página isolados, são descartados. Um título que aparece em apenas uma página é mantido. Desmarque a opção se um rodapé de que você precisa estiver sendo removido.
Posso extrair o texto só de algumas páginas ou de vários PDFs de uma vez?
Digite páginas como 1-3, 5, 8- na caixa Páginas, e só elas serão lidas. Você também pode adicionar vários PDFs e baixar um arquivo de texto para cada um, em um único .zip. As mesmas opções e o mesmo intervalo de páginas valem para todos os arquivos.
Há limite de tamanho para o PDF?
PDFs de até 150 MB podem ser abertos, e até 3.000 páginas são lidas de uma vez. As páginas são processadas uma a uma, com barra de progresso e botão Cancelar, então um arquivo de 200 páginas não trava a aba. PDFs protegidos por senha pedem a senha, e a usam apenas para abrir o arquivo no seu dispositivo.