Extrair texto de PDF: qualquer PDF em texto simples

Dois tipos de PDF, dois problemas diferentes

Um PDF pode guardar o texto de duas formas, e é isso que define quase tudo sobre a dificuldade de tirar o texto dele.

Um PDF salvo no Word, no Google Docs ou em um programa de design leva as letras de verdade dentro dele. Tirar esse texto é instantâneo, porque ele já está lá.

Uma digitalização ou uma foto guarda só uma imagem do texto. As letras precisam ser reconhecidas nessa imagem antes de serem extraídas, e essa etapa se chama OCR (reconhecimento óptico de caracteres).

Digitalizações levam um pouco mais de tempo, e o resultado é muito preciso, mas não perfeito. Preferimos dizer isso com clareza a citar um número que não podemos garantir.

Como copiar o texto de um PDF digitalizado

Se o seu leitor de PDF não consegue selecionar nem copiar nenhum texto, é uma digitalização. Envie aqui, e este leitor de OCR online devolve o texto pronto para copiar, pesquisar e editar.

Definir o idioma costuma ajudar. A detecção automática funciona bem na maioria das páginas, mas escolher você mesmo inglês, urdu, árabe, chinês ou qualquer um dos 39 idiomas dá resultados bem melhores em documentos mistos ou de escrita não latina.

• Digitalize a 300 DPI ou mais. Abaixo disso, os detalhes finos se perdem e o OCR erra mais.
• Endireite as páginas tortas antes de enviar. Até alguns graus de inclinação pioram o resultado.
• Digitalizações retas dão resultados melhores que fotos tiradas em ângulo.
• Uma luz boa e uniforme importa mais do que parece: uma sombra sobre a página deixa as letras mais difíceis de ler.

Por fim, você quer que o próprio PDF fique pesquisável, com a mesma aparência de agora? Isso é outra operação: o OCR de PDF adiciona uma camada de texto oculta ao PDF, em vez de gerar um arquivo de texto separado.

Quando o texto sai embaralhado

Artigos acadêmicos, revistas e jornais são diagramados em colunas. Um conversor que lê de um lado ao outro da página mistura as colunas, e o resultado não faz sentido.

Este conversor de PDF para texto reconhece páginas de duas colunas e lê cada coluna de cima a baixo antes de passar para a próxima.

• Manter quebras de linha termina as linhas onde a página termina. As colunas continuam sendo lidas uma por vez.
• Unir em parágrafos junta as linhas que só foram quebradas pela largura da página. O melhor para colar em um documento ou em um e-mail.
• Preservar o layout mantém as palavras no lugar da página, para que colunas e tabelas fiquem alinhadas em uma fonte monoespaçada.
• Bloco único de texto coloca tudo em uma linha, para colar em um formulário ou em uma célula de planilha.

Alguns PDFs usam fontes cujas letras não são caracteres de verdade, então copiar deles dá um texto sem sentido. Páginas assim são reconhecidas e lidas com OCR. Você também pode forçar isso no documento inteiro com Reler todas as páginas com OCR.

TXT, Word, Markdown, página da web ou JSON

• Um arquivo de texto simples (.txt) são as palavras e só as palavras. É a conversão padrão de PDF para TXT, para colar em outro lugar ou passar para outro programa.
• Um arquivo Word (.docx) abre no Word ou no Google Docs, com as tabelas mantidas como tabelas e novas páginas inseridas como no PDF original.
• Um arquivo Markdown (.md) mantém os títulos e as tabelas com a sintaxe Markdown, fácil de usar em apps de notas, wikis ou por desenvolvedores.
• Um arquivo de página da web (.html) contém tags estruturadas que você pode ver em qualquer navegador.
• Um arquivo JSON contém uma representação de cada página, com linhas, posições, confiança do OCR, tabelas e links.

Precisa do design exato da página além das palavras? Converta com o PDF para Word para manter o layout. Precisa das tabelas em uma planilha? Experimente o nosso PDF para Excel.

Tabelas, cabeçalhos e números de página

As tabelas são convertidas em linhas e colunas, não em parágrafos de texto. Na versão de texto simples, elas ficam separadas por tabulações e, nas versões Word, Markdown e HTML, aparecem como tabelas.

Remover cabeçalhos e números de página elimina o cabeçalho repetido e o número de página que aparecem no topo ou no rodapé de cada página do PDF. Assim, o texto flui como um só documento, sem ser dividido em páginas a cada poucos parágrafos.

Unir palavras cortadas entre linhas junta de novo as palavras cortadas com hífen no fim de uma linha. Em vez de "docu-mento", você vê "documento". Marcar onde cada página começa coloca uma pequena marca no início de cada página, para você acompanhar facilmente no PDF original.

PDFs bloqueados e confidenciais

Para um PDF protegido por senha, digite a senha no campo Senha do documento. Ela é usada para abrir o arquivo e nunca é guardada.

Para um PDF que não deve sair do seu dispositivo de jeito nenhum, abra Extrair neste dispositivo. O próprio navegador lê o texto, nada é enviado e nenhum crédito é usado.

Esse modo lê só a camada de texto, então serve para contratos, extratos e cartas feitos no computador. Uma página digitalizada não tem camada de texto para ler, então digitalizações precisam do conversor normal, que usa OCR. O modo no dispositivo também pode ser mais lento em documentos longos, porque usa o seu computador, e não o nosso.

Leia o resultado antes de baixar

O texto abre em um editor na própria página. Vá para qualquer página, corrija uma palavra, una linhas em parágrafos, mude maiúsculas e minúsculas, copie ou ouça em voz alta.

As palavras sobre as quais o OCR teve dúvida ficam destacadas, para você saber o que conferir. Os links do PDF aparecem junto com o resultado. Não gostou? Leia o mesmo arquivo de novo com outro layout, idioma ou formato, de graça, até 5 vezes enquanto ele estiver nos nossos servidores.

Traduza o texto extraído

Você pode traduzir o resultado automaticamente para inglês, urdu, árabe, espanhol, francês ou outros sete idiomas enquanto ele é extraído. É prático para entender rápido um documento em outro idioma.

É tradução automática, então confira o que for importante. São traduzidos até 120.000 caracteres por vez, então, para um relatório longo, escolha um intervalo de páginas e traduza em partes.

Sim. Seus arquivos são excluídos dos nossos servidores uma hora após o processamento, automaticamente.

Nada fica guardado depois dessa hora. Nenhuma pessoa lê nada. Nada é usado para treinar nada. Cada envio e download passa por HTTPS, então seu arquivo vai criptografado nos dois sentidos.

Se até isso for mais do que você quer, use Extrair neste dispositivo. O PDF fica no seu navegador e nunca chega aos nossos servidores.

Seus resultados recentes ficam no seu próprio navegador, nunca nos nossos servidores, e você pode apagá-los quando quiser.