PDF para texto

Como extrair texto de um PDF

1. Larga um ficheiro PDF na zona de depósito ou clica nela para o escolher. A ferramenta mostra o nome, o número de páginas e o tamanho.
2. Se quiseres, escreve em Páginas (opcional) as páginas a ler, por exemplo 1-3, 5 ou 8-. Deixa o campo vazio para extrair todas as páginas.
3. Escolhe a Ordem de leitura: Como está guardado no ficheiro (melhor para colunas) ou De cima para baixo, da esquerda para a direita.
4. Marca ou desmarca Adicionar separadores de página e Manter quebras de linha.
5. Clica em Extrair texto. Nos documentos longos, o progresso é mostrado página a página; Parar termina mais cedo e mantém as páginas já lidas.
6. Confere a contagem de páginas, palavras, caracteres e linhas e clica em Copiar ou Transferir .txt.

As duas caixas de verificação podem ser alteradas depois da extração: o texto é reformatado de imediato, sem voltar a ler o ficheiro.

Camada de texto ou página digitalizada?

Um PDF criado por um processador de texto, por uma folha de cálculo ou pelo comando «Guardar como PDF» contém uma camada de texto: os caracteres reais, com o tipo de letra e a posição. Esta ferramenta lê essa camada com o PDF.js, por isso o resultado é exato, com acentos, cedilhas, ligaduras e símbolos intactos.

Um PDF digitalizado é diferente: cada página é apenas uma fotografia do papel e não há texto para ler. Quando uma página selecionada não tem texto mas contém uma imagem, a ferramenta avisa-te e indica as páginas em causa. O OCR (reconhecimento ótico de caracteres) não está incluído: o texto das páginas digitalizadas não pode ser extraído aqui. As páginas sem texto nem imagens são indicadas como em branco.

Ordem de leitura e disposição

Um PDF guarda fragmentos de texto com coordenadas, não parágrafos. A ferramenta reconstrói as linhas a partir dos fragmentos que partilham a mesma linha de base, acrescenta um espaço onde há um intervalo visível e deixa uma linha vazia onde o intervalo vertical é grande, o que normalmente separa parágrafos.

• Como está guardado no ficheiro (melhor para colunas) segue a ordem pela qual o programa que criou o PDF escreveu o texto. Na maioria dos documentos, incluindo artigos a duas colunas, é a ordem natural de leitura.
• De cima para baixo, da esquerda para a direita ordena pela posição na página. Experimenta-a quando a primeira opção dá texto baralhado; repara que atravessa as colunas, lendo cada linha de ponta a ponta.

Com Adicionar separadores de página, cada página começa com uma linha como --- Página 3 ---, útil para citar ou verificar um excerto.

Juntar linhas em parágrafos

Com Manter quebras de linha marcado, cada linha do PDF continua a ser uma linha de texto. Desmarca-o para juntar as linhas de cada parágrafo numa só, o que é melhor para colar num documento ou num tradutor. Uma palavra cortada por um hífen no fim da linha, como «exem-» + «plo», é reunida quando a linha seguinte começa por letra minúscula. O limite: uma palavra composta que por acaso quebra no próprio hífen («guarda-» + «chuva») perde esse hífen, por isso revê os excertos importantes.

Privacidade

O PDF é lido pelo teu navegador, no teu dispositivo. Nem o ficheiro nem o texto extraído são enviados para um servidor.