Como tirar texto e imagens de um PDF
Qual é a melhor forma de tirar conteúdo de um PDF?
Salve suas ferramentas favoritas
Crie uma conta grátis no iBuildPDF para guardar suas ferramentas favoritas e encontrá-las rapidamente quando quiser.
Conta grátis. As ferramentas PDF em si nunca precisam de uma.
Resposta curta
Depende do que você quer fazer com ele depois. Para as palavras, extraia o texto. Para as páginas como figuras, renderize-as como imagens. Para uma digitalização, reconheça o texto primeiro — não há nada para extrair até você fazer isso. Para algo que você vai continuar editando, converta para Word. Cada uma entrega uma coisa realmente diferente, e escolher pelo que você precisa em seguida evita ter que desfazer a escolha errada.
Pegando as palavras
O Extrair texto de um PDF lê a camada de texto e entrega texto simples. Sem formatação, sem imagens, sem layout — só as palavras, que é exatamente o certo quando você quer citar, pesquisar, traduzir ou colar em outro lugar.
O que você recebe depende de como o PDF foi feito, e vale esperar duas coisas:
- A ordem de leitura é a ordem em que o texto foi desenhado, o que em uma página de várias colunas pode intercalar as colunas. Isso é uma característica do arquivo, e não uma falha da extração — veja o que torna um PDF acessível, em que a mesma questão decide se um leitor de tela consegue ler um documento.
- Um resultado vazio significa que não há texto. Não que a extração falhou — que a página é uma imagem. Este é o jeito mais rápido de descobrir se um documento é uma digitalização.
Pegando imagens das páginas
O PDF para JPG e o PDF para PNG renderizam cada página como ela aparece e entregam uma imagem por página. É o que você quer para uma miniatura, uma prévia, um slide ou qualquer lugar em que uma imagem seja mais fácil de colocar do que um PDF.
Escolha o formato pelo que está na página: JPG para digitalizações e fotos, PNG para texto, diagramas e traço, em que os artefatos do JPG caem bem em cima das letras. JPG ou PNG para um PDF? explica por quê.
Tenha clara a troca antes: renderizar uma página destrói o texto dela. O resultado são pixels — não pesquisáveis, não selecionáveis, ilegíveis para um leitor de tela, normalmente maiores e sem volta. Certo para a imagem de uma página; errado para um documento que alguém precisa ler ou reaproveitar.
Uma pergunta relacionada que isso não responde: essas ferramentas renderizam páginas inteiras, e não as fotos individuais incorporadas nelas. Se você precisa das imagens originais como foram guardadas, essa é outra operação, e um programa para computador normalmente é a resposta.
Escolhendo, e o caso da digitalização
Se o PDF é uma digitalização, comece pelo OCR. Uma página digitalizada não tem texto, então extrair texto não devolve nada e converter para Word devolve fotos. O OCR reconhece os caracteres e acrescenta uma camada de texto de verdade; todo o resto fica possível depois. O reconhecimento nunca é perfeito e precisa de revisão, e recupera as palavras, não o layout.
Quatro saídas, e o que cada uma entrega
- Texto simples. Rápido e exato, e não guarda nada do layout.
- Imagens das páginas. Tudo é preservado e nada é selecionável.
- OCR, para uma digitalização. Texto reconhecido, com os erros de reconhecimento que isso implica.
- Um documento editável. O mais útil e o menos fiel, porque a estrutura precisa ser deduzida.
Fora isso, escolha pelo destino:
- Quero citar ou pesquisar → extrair texto.
- Quero continuar editando → PDF para Word, e leia antes converter sem perder a formatação, porque o layout vai pedir atenção.
- Quero a tabela como dados → PDF para Excel, que extrai tabelas, e não texto. Ele precisa de uma tabela de verdade, com células delimitadas, para trabalhar.
- Quero uma imagem da página → PDF para JPG ou PDF para PNG.
- Só quero parte do documento → extrair páginas antes. Menos para converter, menos para conferir.
A extração de texto e a renderização de páginas rodam no seu navegador. As conversões para Word e Excel rodam no nosso servidor: o arquivo é enviado por uma conexão criptografada, mantido apenas enquanto é convertido e excluído depois.
Ferramentas que este artigo aborda
Fontes
Documentação primária das afirmações acima.



