Extrair texto de um PDF

Selecione um arquivo PDF

ou arraste e solte aqui

Dados rápidos

O que faz
Extrai a camada de texto de um PDF e a devolve como arquivo de texto simples.
Entrada
PDF
Saída
TXT
Processamento
No seu navegador
Os arquivos são enviados?
Não
Precisa de conta?
Não
Ideal para
Tirar as palavras de um relatório para citar, pesquisar ou colar em outro lugar.
Principal limitação
Lê o texto que já está gravado no arquivo. Um PDF digitalizado que é só imagens de página não tem camada de texto, e esta ferramenta não consegue criar uma — isso exige OCR.
Privado: processado no seu dispositivoSeu arquivo nunca sai do seu navegador.

Como usar esta ferramenta

  1. Envie seu PDF.
  2. Escolha se quer manter as quebras de página e os marcadores de página.
  3. Veja o texto extraído.
  4. Baixe-o como arquivo .txt, ou copie-o.

Por que usar o iBuildPDF

Copiar texto de um PDF à mão gera fins de linha quebrados, espaços faltando e parágrafos perdidos. Ler a camada de texto do jeito certo dá a você algo com que realmente dá para trabalhar.

Como funciona

A camada de texto de cada página é lida diretamente, e as posições das palavras e das linhas são usadas para reconstruir os espaços e as quebras de linha. Nada é redigitado nem adivinhado — se o documento tem uma camada de texto, é isto que ela diz.

Perguntas frequentes

Não saiu nada — por quê?

Seu PDF é quase certamente uma digitalização: uma imagem de uma página sem nenhuma camada de texto. Não há o que extrair até a página passar por reconhecimento de texto. É isso que o OCR faz, e é outra ferramenta.

Ele mantém o layout?

Mantém a ordem de leitura, os parágrafos e as quebras de linha. Não mantém colunas, tabelas nem formatação — texto simples não tem como expressar isso. Para o layout, a conversão certa é PDF para Word.

Por que extrair o texto da minha digitalização não trouxe nada?

Porque não há texto nela para extrair. Uma página digitalizada ou uma foto salva como PDF é uma imagem, e a extração lê objetos de texto reais, em vez de reconhecer letras em uma imagem. Transformar uma imagem de palavras em texto de verdade exige OCR, que aqui é uma ferramenta à parte: passe o arquivo antes pelo OCR em PDF, e esta ferramenta vai encontrar o texto dele. Seu arquivo não está estragado — ele só ainda não tem camada de texto.

O texto extraído mantém o layout original?

Não de forma confiável, e isso pega muita gente de surpresa. Um PDF posiciona o texto por coordenadas, em vez de guardar parágrafos, colunas ou tabelas como estruturas, então a extração precisa deduzir a ordem de leitura pela posição. Layouts em duas colunas podem se intercalar, e células de tabela podem se juntar em uma linha. A extração é a ferramenta certa para obter as palavras; é a ferramenta errada para preservar a aparência da página.

Como sei se meu PDF tem texto de verdade?

Abra-o em qualquer leitor de PDF e tente selecionar algumas palavras com o cursor. Se as letras se destacam uma a uma e você consegue copiá-las, o texto é real e a extração vai funcionar. Se arrastar seleciona a página inteira como um bloco, ou nada se destaca, é uma imagem e você está diante de uma digitalização — nenhuma ferramenta de extração vai encontrar texto nela sem OCR antes.

Leia mais sobre isso