Como usar
- Escolha ou arraste um arquivo PDF.
- Escolha Parágrafos e títulos ou Layout posicionado.
- Selecione Converter para HTML e aguarde a leitura de todas as páginas.
- Confira a pré-visualização e copie o código ou baixe o arquivo .html.
Como funciona
A ferramenta lê a camada de texto de cada página com pdf.js: cada trecho de texto com sua posição e tamanho de fonte. No modo Parágrafos e títulos, os trechos na mesma linha de base são unidos em linhas, e as linhas são agrupadas em parágrafos pelo espaçamento vertical e recuo. Linhas com tipo claramente maior que o texto do corpo se tornam títulos (h1–h3), linhas que começam com um marcador ou com um número como 1. se tornam itens de lista, e palavras hifenizadas no fim da linha são unidas quando a linha seguinte começa com letra minúscula. Um comentário HTML marca onde cada página começa.
No modo de layout posicionado, cada trecho de texto é convertido em um span posicionado em suas coordenadas em uma caixa do tamanho da página, usando uma fonte genérica serif, sans-serif ou monospace. Ele se parece com o PDF, mas não é adequado para edição.
Somente texto é convertido. Imagens, desenhos, bordas de tabela, cores, fontes, negrito, itálico e links não são transferidos; tabelas saem como linhas de texto. Páginas com várias colunas são lidas na ordem em que o texto está armazenado, que costuma ser, mas nem sempre é, a ordem de leitura. PDFs digitalizados não têm camada de texto e precisam de OCR antes. Todo o texto é escapado em HTML.
Exemplos
Publicando um folheto online
Um folheto de produto de duas páginas se torna títulos h2, parágrafos e listas com marcadores que podem ser colados em um CMS e se adaptam às telas de celular.
Verificando a camada de texto
O layout posicionado mostra exatamente onde cada fragmento de texto de um formulário está na página, útil para depurar a geração de PDF.
Perguntas frequentes
Imagens e tabelas são convertidas?
Não. Somente a camada de texto é lida. Imagens e elementos gráficos são ignorados, e as células de tabela saem como linhas de texto porque um PDF não registra qual texto pertence a qual célula.
Por que um título é detectado como parágrafo (ou vice-versa)?
Os títulos são reconhecidos apenas por serem maiores que o tamanho de texto mais comum. Texto em negrito de tamanho normal permanece um parágrafo, e texto decorativo grande pode se tornar um título.
Por que a ordem dos parágrafos está errada?
A ferramenta segue a ordem em que o texto está armazenado no PDF. Alguns programas armazenam colunas, barras laterais ou legendas em uma ordem diferente daquela em que aparecem.
Meu PDF não gera texto. O que posso fazer?
Provavelmente é um documento digitalizado. Primeiro reconheça o texto com OCR, por exemplo usando Imagem para Texto (OCR) nas imagens das páginas.
Privacidade
O PDF é lido no seu navegador com pdf.js. O arquivo e o HTML não são enviados, armazenados nem incluídos em análises; apenas um evento anônimo de uso da ferramenta é contabilizado.