Extrair texto de PDF

Reduza um PDF às palavras: sem fontes, sem imagens, sem layout, só um arquivo .txt que você pode pesquisar, colar, comparar, passar para um script ou levar para uma ferramenta de tradução. Páginas escaneadas são lidas com OCR antes.

ou solte arquivos PDF aqui ·

Até 95 MB por arquivo· Até 20 arquivos· Apagados após 30 minutos

Saída

Converter para

Os arquivos são processados em nossos servidores e apagados após 30 minutos.

Como usar esta ferramenta

1
Envie o PDF
Envie um único PDF ou um conjunto de até 20 arquivos, cada um com até 95 MB. Arquivos mistos, com páginas digitadas e páginas escaneadas, são tratados página por página.
2
Restrinja as páginas, se quiser
Texto simples já vem selecionado em Converter para. Use Páginas a converter em Configurações avançadas para extrair apenas o capítulo ou o apêndice de que você precisa.
3
Baixe o .txt
Clique em Converter para Texto simples →. O arquivo usa codificação UTF-8, então acentos e alfabetos não latinos aparecem corretamente em qualquer editor moderno.

Resposta

Qual é a melhor forma de extrair texto de um PDF?

Converta-o em um arquivo .txt simples. Você recebe cada palavra na ordem de leitura, com os parágrafos separados por linhas em branco e mais nada, pronto para qualquer editor ou programa.

O que a extração de texto do PDF mantém e descarta

O conversor percorre cada página na ordem de leitura, de cima para baixo e coluna por coluna, e escreve os caracteres que encontra. As linhas que pertencem a um mesmo parágrafo são unidas, e os parágrafos são separados por uma linha em branco. O texto de cada página segue o da anterior, então um capítulo é lido como uma passagem contínua.

Tudo o que é visual é descartado: fontes, tamanhos, cores, imagens, gráficos e a posição do texto na página. É justamente essa a ideia. Um relatório de 10 MB cheio de fotos costuma virar um arquivo de texto de algumas centenas de kilobytes, mais fácil de pesquisar, de comparar entre versões com uma ferramenta de diff ou de colar em uma ferramenta de tradução ou análise.

Quem usa a linha de comando talvez conheça o pdftotext, dos projetos Poppler e Xpdf, que faz um trabalho parecido em PDFs digitais. A diferença aqui é o OCR: páginas sem camada de texto são reconhecidas no idioma que você escolher, em vez de saírem em branco. Para imagens que não são PDF, use imagem para texto.

Texto puro, Markdown ou Word: escolha a saída certa

TXT

Texto simples

Só as palavras, em UTF-8.

Menor arquivo
Abre em qualquer programa
Sem títulos nem formatação

Markdown

Texto com marcação leve.

Títulos marcados com #
Listas e negrito mantidos
Continua sendo um arquivo de texto

DOCX

Documento do Word

Layout completo e editável.

Tabelas e imagens mantidas
Estilos preservados
Exige um editor de texto

Por que o arquivo de texto fica tão pequeno

1 bytepor letra, dígito ou espaço do inglês em um arquivo de texto UTF-8

Letras latinas acentuadas, gregas, cirílicas, árabes e hebraicas ocupam 2 bytes cada; caracteres chineses, japoneses, coreanos e devanágari ocupam 3. Uma página de prosa em inglês costuma ter apenas alguns kilobytes.

PDF

Portable Document Format (PDF)

O PDF foi criado pela Adobe em 1993 e se tornou o padrão aberto ISO 32000 em 2008. Ele fixa texto, fontes, imagens e layout para que um documento fique igual em qualquer tela e impressora. PDFs podem conter formulários, assinaturas, links, anexos e texto pesquisável, e a variante PDF/A é usada para arquivamento de longo prazo. O layout fixo torna os PDFs difíceis de editar, e PDFs digitalizados contêm só imagens, a menos que se aplique OCR. Todo navegador e sistema operacional consegue abri-los.

Compressão: –
Transparência: Sim
Animação: Não
Lançamento: 1993 · Adobe

Conversor de PDF

TXT

Texto simples

Um arquivo TXT contém apenas caracteres simples, sem formatação, fontes, imagens ou layout. Os arquivos de texto atuais costumam usar a codificação UTF-8, que cobre todos os idiomas, mas arquivos mais antigos podem usar outras codificações e exibir caracteres embaralhados. O texto simples é minúsculo, nunca fica obsoleto e abre em qualquer dispositivo, de celulares a servidores. Ele não comporta negrito, tabelas nem imagens, então a estrutura precisa ser expressa com espaçamento ou marcação simples.

Compressão: –
Transparência: –
Animação: –
Lançamento: –

Conversor de TXT

As pessoas extraem texto simples de um PDF quando só precisam das palavras, para busca, citação, tradução, limpeza de dados ou para alimentar outro programa, e o layout só atrapalha.

Perguntas frequentes sobre extrair texto de PDF

Por que não dá para simplesmente copiar e colar o texto do PDF?

Dá para fazer isso com um parágrafo ou dois, mas copiar de um leitor de PDF costuma quebrar palavras no fim das linhas, misturar colunas, colocar cabeçalhos de página no meio das frases e não funciona em páginas escaneadas. A extração lê o arquivo inteiro na ordem de leitura e aplica OCR onde não há camada de texto.

Qual é a codificação do arquivo de texto?

UTF-8, a codificação padrão da web e da maioria dos programas. O Bloco de Notas do Windows salva novos arquivos em UTF-8 por padrão desde o Windows 10 versão 1903, e o TextEdit do macOS, o VS Code e todos os navegadores leem esse formato sem perguntar. Se um programa antigo mostrar caracteres estranhos, procure uma opção de importação que permita escolher UTF-8.

TXT é o mesmo que a ferramenta Converter PDF para TXT?

O resultado é idêntico: um arquivo .txt. Esta página foca em tirar o texto para reutilizá-lo; PDF para TXT é a mesma conversão, com o nome da extensão do arquivo que as pessoas também pesquisam.

O que acontece com as tabelas?

As células de tabela são escritas na ordem de leitura, separadas por tabulações, então uma tabela cola razoavelmente bem em uma planilha. Se as tabelas são o motivo da conversão, PDF para Excel mantém linhas e colunas em células de verdade.

Posso extrair o texto com os títulos marcados?

O texto simples não tem como marcar um título. Escolha Markdown em Converter para se quiser títulos, listas e negrito marcados com símbolos simples, sem deixar de ser um arquivo de texto.