Ferramentas de PDFConseguir tirar o texto de um PDF depende de como o PDF foi feito. Abra-o, tente selecionar uma única palavra com o mouse e você vai saber em qual situação está.
Caso 1: você consegue selecionar palavras
O PDF contém texto real. PDF para texto lê página por página e entrega um arquivo .txt simples, além de uma caixa de onde copiar. Marque Marcar quebras de página se precisar saber onde começa cada página, útil para citar um documento.
Caso 2: você não consegue selecionar nada
O PDF é uma digitalização ou uma foto. O que parece texto é uma imagem do texto, igual à foto de um jornal. A extração não devolve nada porque não há nada para extrair.
Você precisa de OCR (reconhecimento óptico de caracteres) para transformar a imagem de volta em caracteres. Passe o arquivo antes pelo OCR PDF: ele reconhece as palavras de cada página e as adiciona como uma camada invisível. Depois disso, o PDF se comporta como um normal e o PDF para texto consegue extraí-lo. Conte com alguns erros em digitalizações borradas ou tortas; confira nomes e números antes de confiar.
Para um único parágrafo, o celular é mais rápido: no iPhone, toque e segure o texto de uma foto (Texto ao Vivo); no Android, o Google Lens faz o mesmo.
Caso 3: o texto sai, mas embaralhado
Um PDF guarda cada pedaço de texto com sua posição na página, não como parágrafos contínuos. Para reconstruir a ordem de leitura, o extrator agrupa os pedaços em linhas e ordena de cima para baixo. Funciona bem em páginas comuns e pior em:
- Layouts em duas colunas, em que as linhas das duas colunas podem se intercalar.
- Tabelas, que saem como linhas de valores sem a grade.
- Texto inclinado ou seguindo uma curva.
Para um trecho curto, selecionar e copiar direto num leitor costuma dar o resultado mais limpo, porque você escolhe a área. Para o documento inteiro, extraia tudo e arrume num editor de texto.
Caracteres estranhos
Se aparecerem quadradinhos, pontos de interrogação ou ligaduras como “fi” no lugar de “fi”, o PDF usa uma fonte sem uma tabela de caracteres correta. Localizar e substituir resolve rápido as ligaduras; os caracteres que faltam geralmente não podem ser recuperados sem OCR.
Perguntas
Ele extrai o texto de um PDF digitalizado?
Não diretamente, porque uma digitalização só contém imagens. Torne-o pesquisável antes com o OCR PDF e depois extraia o texto.
A formatação é mantida?
Não. O resultado é texto simples: sem negrito, sem fontes, sem tabelas. É exatamente isso que permite colar em qualquer lugar.