Extrair texto de um PDF
Escolha um PDF e obtenha todo o texto, pronto para copiar ou baixar como arquivo .txt. Tudo acontece no seu navegador, nada é enviado.
Um arquivo PDF
Como funciona
A ferramenta lê a camada de texto do PDF e a reconstrói página por página. Funciona com PDFs “de verdade” (criados no Word, no Google Docs, exportações digitais). Se o PDF for um documento escaneado ou uma foto, o texto na verdade é uma imagem e não pode ser extraído assim: nesse caso você precisa de OCR (reconhecimento óptico de caracteres).
Para que serve
Útil para copiar rapidamente o conteúdo de um documento, reaproveitar parágrafos, procurar palavras ou transformar um PDF em um arquivo de texto simples e editável. Se você tem muitos PDFs e procura qual deles contém uma palavra, há a Buscar uma palavra em vários PDFs. Se, ao contrário, você precisa de um documento do Word para editar, com parágrafos, títulos e listas já no lugar, há o PDF para Word.
Por que copiar e colar de um PDF dá errado
Um PDF não contém parágrafos, ele contém pedaços de texto com coordenadas: o programa que o gerou disse “coloque esta palavra aqui”. Não há informação sobre onde uma linha termina e a próxima começa, e o leitor de PDF precisa deduzir isso pelas posições.
É por isso que, ao colar, você recebe linhas quebradas, colunas misturadas e palavras divididas por um hífen no fim da linha. Em textos de duas colunas, a ordem de leitura pode sair embaralhada, porque na página os dois blocos ficam lado a lado e, no arquivo, são apenas pedaços com valores de x e y.
Se o PDF foi escaneado, não há texto
Um documento escaneado é uma fotografia da página: não há texto por baixo, e por isso a busca do leitor de PDF não encontra nada. O sinal é simples: se ao tentar selecionar uma palavra você seleciona um retângulo inteiro, é uma imagem.
Nesse caso você precisa de reconhecimento óptico de caracteres, que é um trabalho diferente: ele olha os pixels e tenta adivinhar as letras. Muitos documentos escaneados recentemente já trazem uma camada de texto oculta sob a imagem, e então o texto é extraído normalmente.
O que fazer com o texto extraído
O texto que sai quase sempre precisa ser costurado de novo: juntar as linhas de um mesmo parágrafo, remover a hifenização, descartar cabeçalhos repetidos e números de página. Fazer isso à mão em vinte páginas dá uma tarde de trabalho, e ninguém chega ao fim.
Se o PDF continha tabelas, o texto extraído as perde: as colunas viram um fluxo de palavras e a relação entre as células desaparece. Para isso é preciso uma ferramenta que olhe as coordenadas e não só o texto, senão o resultado fica ilegível.
Veja também
Para arrumar um texto copiado há a Juntar texto copiado de um PDF, e para tabelas, a Extrair tabelas de um PDF. Se o arquivo foi escaneado, o caminho é a Imagem para texto.