PDF para texto

Sobre tirar o texto de um PDF

Um PDF feito a partir de um documento já contém o texto dele. As letras estão no arquivo; o leitor apenas as desenha no lugar certo da página.

Tirá-las de lá deveria ser fácil, e quase nunca é. Selecionar tudo num leitor traz cabeçalhos, rodapés e números de página no meio das frases. Copie uma tabela e ela chega como uma linha enorme. Copie duas colunas e elas se intercalam. E no celular muitas vezes nem dá para selecionar.

Esta ferramenta pede o texto diretamente ao PDF e entrega o resultado numa caixa que você pode editar, copiar ou baixar como .txt.

Ela lê, não adivinha

Isto não é OCR. O OCR olha para a imagem de uma página e tenta reconhecer as formas como letras — útil, mas erra, e o 1, o l e o I dão pano para manga a vida inteira.

Aqui não há nada para reconhecer. Os caracteres já estão guardados no PDF e saem exatamente como entraram. Sem letra lida errado, sem índice de confiança e sem espera: um relatório de 200 páginas sai em poucos segundos.

A única coisa que ela não consegue é ler um escaneamento. Uma página escaneada é uma fotografia, sem texto nenhum dentro. Quando isso acontece, a ferramenta diz claramente em vez de devolver uma caixa vazia — e aponta o caminho do OCR.

Escolha as páginas

Deixe o campo Páginas vazio para levar o documento inteiro, ou indique o que quiser:

• 5 — só a página 5
• 1-3 — as três primeiras páginas
• 1-3, 5, 8-10 — intervalos e páginas soltas misturados

Útil quando o que você precisa é um capítulo de um relatório longo, ou quando as duas primeiras páginas são uma capa e um sumário que você não quer.

Quebras de linha: manter ou juntar

Um PDF guarda onde cada linha foi desenhada, não onde uma frase termina. Por isso um parágrafo chega como cinco linhas separadas, quebradas só porque a página ficou sem largura.

• Manter as linhas como estão — exatamente como a página foi diagramada. Certo para tabelas, endereços, poesia, código, listas e tudo em que a linha *é* o sentido.
• Juntar as linhas em parágrafos — recompõe uma frase partida em uma única linha. Certo para texto corrido que você vai colar num documento, num e-mail ou num tradutor.

A junção é cuidadosa: uma linha que encerra uma frase, um título, um marcador e um item numerado mantêm todos a sua quebra. Só uma linha que claramente para no meio da frase é emendada na seguinte.

Marcas de página

Marcar onde começa cada página insere uma linha --- Página 7 --- entre as páginas. Deixe ligado quando precisar achar o caminho de volta ao original — citar um relatório, conferir um contrato, referenciar uma fonte. Desligue quando quiser texto corrido limpo para colar em outro lugar.

Nada sai do seu aparelho

O PDF é aberto e lido dentro do seu navegador. Ele não é enviado, não entra em fila e não é guardado. Isso importa para os documentos que realmente pedem isso: contratos, extratos, laudos médicos, peças jurídicas, qualquer coisa sob acordo de confidencialidade.

Também quer dizer que não há limite de tamanho por causa de um envio, e que funciona sem internet depois que a página carregou.

Para que as pessoas usam

• Tirar uma citação de um relatório sem redigitar
• Passar um documento por um tradutor, um resumidor ou uma busca
• Transformar um manual ou uma política em texto puro para procurar com Ctrl+F
• Extrair texto corrido de um livro ou artigo para editar ou estudar
• Levar texto para um editor de textos quando copiar do leitor chega bagunçado
• Tirar conteúdo para um site de um folheto em PDF
• Deixar um documento legível para um leitor de tela que se atrapalha com o PDF

Bom saber

• Um PDF protegido por senha precisa ser desbloqueado antes — use Desbloquear PDF
• Um PDF que é um escaneamento não tem texto; use PDF para JPG e depois Imagem para texto
• Colunas, tabelas e notas de rodapé saem na ordem em que o PDF as guarda, que costuma ser — mas nem sempre é — a ordem de leitura. Confira o resultado
• A caixa de texto é editável, então dá para arrumar o resultado antes de baixar
• O download é um .txt simples em UTF-8, então acentos e caracteres não latinos sobrevivem
• Formatação — negrito, tamanho, cor, imagens — não é mantida. Texto puro é justamente o objetivo. Para um documento formatado use PDF para Word

Como usar

• Clique em Clique para enviar ou arraste o seu PDF para a caixa
• Deixe Páginas vazio para o documento inteiro, ou digite as páginas que quiser
• Escolha Manter as linhas como estão para tabelas e listas, ou Juntar as linhas em parágrafos para texto corrido
• Marque ou desmarque Marcar onde começa cada página
• Aperte Extrair texto, leia o resultado e então Copiar ou Baixar .txt

Ferramentas relacionadas

• PDF para Word — quando você precisa da formatação, não só das palavras
• Imagem para texto — OCR, para escaneamentos e capturas de tela
• PDF para JPG — transformar páginas escaneadas em imagens para o OCR
• Desbloquear PDF — tirar a senha primeiro
• Procurar texto em arquivos — vasculhar uma pasta inteira de uma vez
• Contador de palavras — contar o que você extraiu
• Dividir PDF — tirar um intervalo de páginas como arquivo próprio