Extrair texto de um PDF
Extrai todo o texto selecionável de um PDF para texto simples que podes copiar ou descarregar, localmente no teu navegador.
A carregar Extrair texto de um PDF… Se nada acontecer, ativa o JavaScript.
Extrair texto de um PDF significa ler os caracteres guardados no documento e devolvê-los como texto simples e editável. É uma das operações mais frequentemente necessárias em qualquer fluxo de trabalho com documentos. Podes querer citar uma passagem de um relatório, alimentar o conteúdo de um artigo a um índice de pesquisa, reaproveitar o texto de um folheto antigo, contar palavras ou, simplesmente, obter texto limpo de um ficheiro que não permite uma seleção fácil no teu visualizador habitual. Em vez de voltar a escrever fosse o que fosse, deixas a ferramenta percorrer o documento e entregar-te tudo o que consegue ler.
Perguntas frequentes
Os meus ficheiros são enviados para um servidor?
Porque é que um PDF digitalizado devolve pouco texto ou nenhum?
Como é que o texto extraído está organizado?
Posso copiar o texto ou guardá-lo num ficheiro?
Preserva a formatação, como negrito, tabelas ou colunas?
Qual é o tamanho de ficheiro ou o número de páginas máximo?
Funciona com PDF protegidos por palavra-passe?
Lida com texto que não está em inglês e com caracteres especiais?
Posso extrair texto de muitos PDF ao mesmo tempo?
Sobre Extrair texto de um PDF
Esta ferramenta usa o pdf.js, o mesmo motor que faz a visualização de PDF nos navegadores modernos, a correr inteiramente no teu dispositivo. Para cada página pede o conteúdo de texto e junta os fragmentos individuais com espaços, separando depois as páginas com linhas em branco para que o resultado se mantenha legível e reflita, em traços largos, a disposição do original. O resultado aparece numa caixa de texto só de leitura, juntamente com o número de páginas, e podes copiar tudo para a área de transferência com um clique ou descarregá-lo como um ficheiro .txt pronto a abrir em qualquer editor.
Tudo acontece no teu navegador, sem que nada seja enviado. O PDF é lido a partir do teu disco local e processado em memória, o que mantém contratos privados, investigação e documentos internos fora de qualquer servidor de terceiros. Uma limitação importante a perceber é que esta ferramenta lê o texto que está efetivamente guardado como texto no ficheiro. Um documento digitalizado ou uma foto guardada como PDF contém apenas imagens de palavras, sem dados de caracteres subjacentes, por isso devolverá pouco texto ou nenhum. Para esses ficheiros precisarias de reconhecimento ótico de caracteres, que reconhece as letras a partir dos pixeis, um processo diferente da extração direta efetuada aqui.
Porque é que tirar o texto de um PDF é mais difícil do que parece
Um PDF não guarda o texto da forma como um documento de processador de texto o faz. Em vez de frases e parágrafos, guarda instruções de desenho que dizem, na prática, coloca este glifo nesta coordenada exata da página. Muitas vezes não há um caractere de espaço explícito entre as palavras nem noção de onde termina uma linha, coluna ou parágrafo e começa o seguinte. O software de extração tem de reconstruir um texto legível observando as posições dos glifos, inferindo os espaços a partir das lacunas entre eles e deduzindo a ordem de leitura a partir das suas coordenadas. É por isso que o texto retirado de uma disposição complexa pode, por vezes, chegar com as palavras numa ordem inesperada ou com um espaçamento que não corresponde ao que viste no ecrã.
A situação complica-se ainda mais por causa dos tipos de letra. Cada tipo de letra de um PDF mapeia os códigos do fluxo de conteúdo para formas de glifos, mas a ligação de volta de um glifo ao seu caractere Unicode real é opcional e é transportada numa estrutura chamada mapa ToUnicode. Quando esse mapa está presente, a extração é limpa. Quando um PDF usa um tipo de letra de subconjunto ou personalizado e omite ou estraga o mapa, o resultado extraído pode ser ininteligível mesmo que a página pareça perfeita, porque o visualizador sabe como desenhar as formas mas o ficheiro nunca registou que caracteres elas representam.
Depois há a grande divisão entre texto verdadeiro e imagens de texto. Por todo o mundo, uma enorme parte dos PDF são digitalizações: fotografias ou imagens de digitalizador de mesa de papel, embrulhadas num contentor PDF. Para um humano parecem idênticas a um documento de origem digital, mas não contêm qualquer dado de caracteres, apenas pixeis. Lê-los exige reconhecimento ótico de caracteres, um campo com raízes que recuam às décadas de 1920 e 1930 e a dispositivos construídos para ajudar leitores cegos e para separar o correio. O OCR moderno usa aprendizagem automática para alcançar uma elevada precisão em muitos idiomas, mas continua a ser uma tarefa fundamentalmente diferente e mais propensa a erros do que simplesmente ler o texto que um PDF digital já contém, que é exatamente o que esta ferramenta faz.