Ir para o conteúdo

Extrair texto de um PDF

Extraia o texto de um PDF na ordem de leitura, com colunas separadas e linhas quebradas reunidas em parágrafos, e depois copie ou salve um arquivo .txt. Tudo roda no seu navegador, então o PDF nunca sai do seu dispositivo.

Solte um PDF para extrair o textoou clique para procurar · até 50 MB
Escolher PDFProcessado no seu dispositivo – nada é enviado
Roda no seu navegador · sem uploadComo funciona

Como usar: PDF para texto

  1. 1

    Abra o PDF

    Solte um PDF de até 50 MB na caixa ou clique para escolher um. Arquivos protegidos por senha pedem a senha primeiro.

  2. 2

    Escolha o layout do texto

    Parágrafos gera um texto corrido e limpo, bom para ler ou colar; Layout da página mantém cada linha impressa e alinha as colunas das tabelas com espaços.

  3. 3

    Escolha as páginas e o OCR

    Extraia todas as páginas ou um intervalo, como 2-5, 9. Ative o OCR e escolha o idioma se algumas páginas forem digitalizadas e não tiverem camada de texto.

  4. 4

    Copie ou baixe

    Clique em Extrair texto, confira o resultado na caixa e depois copie para a área de transferência ou salve como um arquivo .txt em UTF-8.

Limites e Pro

Um PDF de até 50 MB e até 200 páginas por extração, incluindo OCR.

O Pro abre PDFs de até 4 GB e lê até 5.000 páginas de uma só vez. Ver o Pro

Sobre: PDF para texto

Esta ferramenta lê a camada de texto que a maioria dos PDFs possui, os mesmos caracteres que você poderia selecionar em um leitor de PDF, e os coloca de volta na ordem em que uma pessoa leria. Copiar direto do leitor costuma misturar as duas colunas de um artigo linha por linha, quebra cada frase no fim da linha impressa e deixa hifens no meio das palavras. Aqui, as páginas são divididas primeiro em colunas e blocos, as linhas quebradas são unidas em parágrafos, uma palavra hifenizada entre duas linhas é reunida, marcadores e números permanecem no início dos itens de lista, e uma tabela sai como linhas com uma tabulação entre as células, para colar direto em uma planilha. Um número de página isolado na margem superior ou inferior fica de fora, assim como texto girado ou vertical, como uma marca d'água diagonal de “RASCUNHO”.

O modo Layout da página faz o contrário: mantém cada linha exatamente onde foi impressa, usando espaços para segurar no lugar as colunas de um formulário, de uma fatura ou de um extrato bancário.

Páginas digitalizadas não têm camada de texto, apenas a imagem do papel. Com o OCR ativado, somente essas páginas são lidas pelo mecanismo Tesseract no seu navegador, em um dos 47 idiomas. Usos típicos: citar um relatório, levar um contrato a um tradutor ou a um contador de palavras e tirar valores de um extrato. Fontes, cores, imagens e links não fazem parte do resultado; para isso, converta o PDF em Word.

Privacidade

O PDF.js processa o documento em um Web Worker no seu dispositivo, e um segundo worker organiza as linhas em parágrafos; o PDF e o texto nunca são enviados. Somente se você ativar o OCR a página busca o mecanismo Tesseract e um arquivo de idioma na CDN jsDelivr, uma única vez, e esses downloads não levam nada do seu documento.

Recursos

Colunas em ordem

Layouts de duas e três colunas são lidos uma coluna após a outra, não linha por linha atravessando a página.

Parágrafos de verdade

Linhas quebradas são unidas e palavras hifenizadas na quebra de linha voltam a ficar inteiras.

Tabelas que você pode colar

As linhas da tabela saem separadas por tabulação, prontas para uma planilha, ou alinhadas com espaços em Layout da página.

OCR para digitalizados

Páginas sem camada de texto podem ser lidas com o Tesseract em 47 idiomas, no seu dispositivo.

PDF para texto: perguntas frequentes

Por que o texto copiado de um PDF sai embaralhado, e esta ferramenta resolve isso?
Um PDF guarda o texto como pedaços posicionados, não como frases, então a cópia de um leitor segue a ordem em que os pedaços foram escritos. Páginas de duas colunas se misturam linha por linha e cada linha impressa termina com uma quebra forçada. No modo Parágrafos, a ferramenta encontra primeiro as colunas e os blocos, lê de cima para baixo e junta as linhas quebradas, e o texto fica como na página.
Dá para extrair texto de um PDF digitalizado?
Sim, com o OCR ativado. Páginas com quase nenhuma camada de texto, menos de 20 caracteres, são renderizadas a 300 DPI e lidas pelo Tesseract no idioma que você escolher, enquanto páginas que já têm texto são aproveitadas como estão. Espere erros ocasionais com caracteres parecidos, como 0 e O, então confira nomes e valores. Para um PDF pesquisável em vez de um arquivo de texto, use OCR PDF.
Qual é a diferença entre Parágrafos e Layout da página?
Parágrafos reconstrói o texto corrido: um parágrafo por linha de saída, com uma linha em branco entre eles, colunas lidas em ordem e hifens de quebra de linha removidos. Layout da página copia a página linha por linha e completa com espaços para manter alinhadas as colunas de valores, o que serve para faturas, horários e formulários. Abra um arquivo desse layout em uma fonte monoespaçada, como Consolas ou Courier, para ver as colunas alinhadas.
As tabelas são mantidas quando extraio o texto?
Tabelas simples são reconhecidas no modo Parágrafos e escritas com uma linha por linha de texto e uma tabulação entre as células, então você pode colar no Excel ou no Google Sheets e cada valor cai na sua própria célula. Células mescladas e tabelas que na verdade são imagens não são reconstruídas. Se uma tabela sair como linhas soltas, tente Layout da página, que mantém as colunas no lugar com espaços.
Quais caracteres e idiomas o arquivo .txt aceita?
O arquivo de texto é salvo em UTF-8, então cirílico, grego, árabe, hebraico, chinês, japonês, letras latinas acentuadas e os o‘ e g‘ do uzbeque sobrevivem, desde que o PDF associe suas fontes a caracteres reais. Alguns PDFs incorporam fontes sem essa associação; o texto copiado deles parece símbolos aleatórios em qualquer programa, e usar o OCR nessas páginas é a saída.

Ferramentas relacionadas

Todas: ferramentas de pdf

OCR de PDF

Deixe PDFs escaneados pesquisáveis e selecionáveis

PDF para Word

Transforme PDFs em documentos DOCX editáveis

Contador de palavras

Conte palavras, caracteres, frases e tempo de leitura

Extrair imagens de PDF

Salve as fotos de dentro de um PDF em resolução total