Como usar
- Escolha ou arraste um arquivo PDF.
- Decida se cada página deve começar com um cabeçalho como “--- Página 3 ---”.
- Selecione Extrair texto e aguarde a leitura de todas as páginas.
- Copie o texto ou baixe-o como um arquivo .txt em UTF-8.
Como funciona
Arquivos PDF criados a partir de um processador de texto, de um site ou da maioria dos outros softwares contêm uma camada de texto: os caracteres e suas posições. A ferramenta lê essa camada página por página com pdf.js e a transforma em linhas de texto puro. Fontes, tamanhos, cores, imagens e tabelas não são mantidos; as células de tabelas saem como texto separado por espaços ou quebras de linha.
A ordem de leitura segue a ordem armazenada no PDF, que geralmente é a ordem visual. Layouts com várias colunas, notas de rodapé e caixas de texto podem sair em uma sequência inesperada, e palavras hifenizadas no final das linhas permanecem separadas.
Documentos digitalizados e fotos salvos como PDF contêm apenas imagens de texto e não têm camada de texto, então nada pode ser extraído. A ferramenta detecta isso e indica o OCR (reconhecimento óptico de caracteres), que lê texto de imagens. O texto em alguns PDFs usa fontes sem um mapa de caracteres adequado; esse texto pode sair como símbolos ilegíveis.
PDFs que exigem senha para abrir não podem ser lidos. PDFs com apenas restrições de cópia são lidos, portanto respeite os direitos do proprietário do documento.
Exemplos
Citando um relatório
Extraia o texto de um relatório em PDF de 40 páginas, pesquise-o na caixa de texto e copie o parágrafo desejado sem dificuldade com a seleção do visualizador de PDF.
Carta digitalizada
Uma carta digitalizada em PDF não produz texto. A ferramenta informa isso e leva à ferramenta de OCR, que pode reconhecer o texto a partir de uma imagem da página.
Perguntas frequentes
Por que nenhum texto é encontrado no meu PDF?
O PDF provavelmente contém imagens digitalizadas em vez de texto. Passe as páginas pelo OCR para reconhecer o texto.
Por que as palavras ou linhas estão na ordem errada?
A ferramenta usa a ordem em que o texto está armazenado no arquivo. Alguns programas armazenam colunas, cabeçalhos ou caixas de texto em uma ordem diferente daquela em que aparecem.
Por que o texto contém símbolos estranhos?
Alguns PDFs usam fontes sem informações sobre qual caractere cada glifo representa. As letras visíveis não podem ser mapeadas de volta para texto; o OCR é a única opção para esses arquivos.
A formatação, como negrito ou tabelas, é mantida?
Não. A saída é texto puro com quebras de linha. Células e colunas de tabelas viram texto em linhas.
Privacidade
O PDF é aberto e lido no seu navegador com pdf.js. O arquivo e o texto extraído não são enviados, armazenados nem incluídos em análises; apenas um evento anônimo de uso da ferramenta é contabilizado.