Como extrair texto de um PDF
- Solte um PDF na área acima ou clique para selecioná-lo.
- Clique em Extrair texto. O texto de cada página é lido em ordem e exibido em uma caixa de pré-visualização, com um marcador como
--- Página 2 ---no início de cada página. - Copie o texto da caixa de pré-visualização ou baixe-o como um arquivo
.txtsimples (UTF-8).
A extração é feita pelo pdf.js, o mesmo mecanismo que alimenta o visualizador de PDF integrado do Firefox, executando na aba do seu navegador. O documento não é enviado, então você pode extrair com segurança o texto de contratos, artigos científicos ou extratos.
Como funciona a extração de texto de PDF
Dentro de um PDF, cada página tem um fluxo de conteúdo: uma lista de instruções de desenho como "use a fonte F1 em 11 pontos, vá para a posição (72, 700), mostre estes caracteres". O texto fica, portanto, armazenado como fragmentos posicionados, às vezes uma linha inteira, às vezes uma única palavra ou até letras individuais.
Para transformar isso de novo em texto legível, o extrator:
- decodifica cada fragmento dos códigos de caracteres internos da fonte para Unicode, usando as tabelas de mapeamento embutidas no PDF;
- ordena os fragmentos pela posição na página;
- insere espaços e quebras de linha onde os intervalos entre os fragmentos sugerem novas palavras e novas linhas.
Como o PDF não tem uma noção explícita de parágrafos nem de ordem de leitura, a saída é texto simples com quebras de linha, e não parágrafos formatados. Para a maioria dos documentos (cartas, relatórios, livros, artigos), o resultado é lido com naturalidade.
Limitações
| Situação | O que você verá |
|---|---|
| Páginas digitalizadas ou fotografadas | Nenhum texto: a página é uma imagem, e não há OCR |
| Layouts com várias colunas | As colunas podem aparecer intercaladas linha por linha |
| Tabelas | Valores das células em linhas, sem a grade |
| Fontes sem mapeamento Unicode | Caracteres corrompidos ou ausentes |
| PDF protegido por senha / criptografado | O arquivo não pode ser aberto |
Um teste rápido mostra o que esperar: abra o PDF em qualquer visualizador e tente selecionar uma frase. Se você consegue destacá-la e copiá-la, o texto pode ser extraído. Se a página inteira é destacada como um único bloco, ou nada é destacado, é uma imagem.
Dicas
- Quer manter títulos e parágrafos em vez de linhas simples? Use PDF para Word no modo editável.
- Para números organizados em tabelas, PDF para Excel coloca os valores em linhas e colunas.
- O texto simples é ideal para índices de busca, ferramentas de tradução, contagem de palavras, resumidores de IA e softwares de acessibilidade, porque não tem formatação a ser removida.
Perguntas frequentes
Por que recebo a mensagem "Nenhum texto encontrado"?
O PDF contém imagens de texto em vez de texto de verdade, o que é típico de digitalizações. O texto desses arquivos só pode ser recuperado com um software de OCR.
Por que alguns caracteres são substituídos por símbolos estranhos?
Alguns PDFs incorporam fontes com códigos de caracteres personalizados e sem mapeamento Unicode. O visualizador consegue desenhar as formas, mas não há como saber com segurança quais letras elas representam.
A formatação, como negrito ou tamanho da fonte, é mantida?
Não. A saída é texto UTF-8 simples. Cada linha da página vira uma linha de texto, mas fontes, cores e imagens não são mantidas.
Posso extrair texto de apenas algumas páginas?
A ferramenta extrai o documento inteiro. Para limitar, primeiro salve as páginas de que precisa em um arquivo separado com Dividir PDF.
Atualizado