Extrair texto do PDF
O PDF para Texto extrai as palavras de um documento para que você possa copiá-las ou pesquisá-las. Ele lê o texto que o PDF já carrega, exatamente como foi colocado lá, em vez de olhar a página e adivinhar as letras como faz o OCR. Por isso, um scan — que guarda apenas imagens de palavras — não produz nada aqui, e a ferramenta diz isso em vez de inventar algo.
Solte um PDF aqui
ou em qualquer lugar da página · Escolher um arquivo · 100 MB
Aceitos: PDF
Como funciona o Extrair texto do PDF?
Um PDF não contém parágrafos. Ele contém instruções para posicionar glifos em coordenadas — “desenhe este caractere em x=72, y=708 nesta fonte e neste tamanho” — repetidas alguns milhares de vezes por página. Extrair texto significa coletar essas instruções e reconstruir as palavras e as linhas a partir de onde as coisas caíram.
Isto não é OCR, e a diferença importa
O OCR olha uma imagem de uma página e reconhece formas como letras, com uma taxa de erro. A extração de texto lê os caracteres que o documento já armazena, exatamente. Quando a camada de texto está presente, o resultado é perfeito — todos os caracteres, incluindo aqueles que o OCR confunde sistematicamente, como rn contra m e l contra 1.
Quando a camada de texto está ausente — uma página escaneada é uma fotografia, e fotografias não têm caracteres — não há nada a extrair. A ferramenta relata quantas páginas vieram vazias em vez de devolver silêncio e deixar você concluir que o seu arquivo estava quebrado. Para esses documentos, o OCR é a ferramenta certa, e é um software genuinamente diferente.
Reconstruindo quebras de linha
Os itens de texto que o pdf.js retorna são fragmentos posicionados, não linhas. Juntá-los com espaços produz um parágrafo longo por página, o que é ilegível para qualquer coisa com layout. Então a coordenada vertical de cada fragmento é comparada com a do anterior: uma queda significativa é uma nova linha, uma queda maior é uma quebra de parágrafo, e um fragmento na mesma altura é uma continuação.
Esta é uma aproximação, e ela é honesta quanto a sê-lo. Layouts de múltiplas colunas são onde isso aparece: o extrator lê na ordem em que os glifos foram desenhados, que, para um artigo acadêmico de duas colunas, é frequentemente pelas duas colunas, e não descendo uma. Nada menos que uma análise completa de layout corrige isso, e a análise de layout chuta.
Ligaduras, hífens e o espaço ausente
Três artefatos aparecem em texto extraído com frequência suficiente para serem reconhecidos. Uma ligadura — o glifo único para fi ou ffl — pode ser extraída como um caractere que parece certo e não corresponde a uma busca por “fi”. Uma palavra com hífen quebrada entre duas linhas permanece hifenizada, porque o hífen é um caractere real no documento. E duas palavras sem espaço entre elas geralmente significam que o PDF as posicionou separadamente em vez de escrever um caractere de espaço, o que é comum em texto composto por software de diagramação.
Tudo fica na aba
A extração roda no seu navegador. Isso importa mais do que para a maioria das ferramentas, porque os documentos de que as pessoas extraem texto são contratos, relatórios e extratos — e o texto extraído é exatamente isso em versão pesquisável, greppable e colável em qualquer lugar.
Entrada
invoice.pdf (2 pages, text layer present)
Saída
--- page 1 --- INVOICE 2026-0412 Ada Lovelace Ltd Due: 30 September 2026 --- page 2 --- Terms and conditions…
Quais opções e casos-limite o Extrair texto do PDF suporta?
| Parâmetro | Tipo | Padrão | Comportamento e casos-limite |
|---|---|---|---|
| Camada de texto | leitura exata | — | Os caracteres são retirados do documento exatamente como estão armazenados. Sem reconhecimento, logo sem taxa de erro — diferente do OCR, que adivinha a partir dos pixels. |
| Páginas escaneadas | vazio | informado | Um escaneamento é uma imagem de palavras e não contém caracteres. A contagem de páginas vazias é exibida, em vez de ficar para você inferir. |
| Quebras de linha | reconstruído | ativado | A partir da posição vertical de cada fragmento de texto. Uma queda significativa é uma linha, uma queda maior é um parágrafo. Desative para obter um único bloco contínuo por página. |
| Marcadores de página | booleano | ativado | Uma linha --- page N --- entre as páginas, o que torna uma extração longa navegável. |
| Layouts de múltiplas colunas | aproximado | — | Lido na ordem de desenho, que no caso de duas colunas costuma ser na horizontal em vez de na vertical. Corrigir isso exige análise de layout, que adivinha. |
| Ligaduras | como armazenado | — | Uma ligadura fi pode sair como um único caractere que parece correto e não corresponde a uma busca pelas duas letras. |
| Hifenização | preservado | — | Uma palavra quebrada entre linhas mantém o hífen, porque o hífen é um caractere real no documento, e não um artefato de renderização. |
| PDFs criptografados | recusado | — | Primeiro desbloqueie com a senha. |
Perguntas frequentes
Não recebi nada de volta. Meu PDF está quebrado?
Quase certamente não — é um scan. Um documento escaneado é uma fotografia de uma página, e uma fotografia não contém caracteres, apenas pixels dispostos para se parecer com eles. Não há camada de texto a extrair, e é por isso que a ferramenta relata o número de páginas vazias em vez de devolver silêncio. Para esse documento você precisa de OCR, que reconhece formas como letras e tem uma taxa de erro; este lê caracteres que já estão lá e não tem nenhuma.
Por que o meu artigo de duas colunas sai embaralhado?
Porque a extração lê os glifos na ordem em que foram desenhados, e para um layout de duas colunas isso frequentemente é coluna esquerda, coluna direita, coluna esquerda — pela página, e não descendo cada coluna. Reconstruir a ordem de leitura pretendida exige analisar a geometria da página e decidir onde estão as colunas, o que é um chute que falha em tabelas, barras laterais e figuras. Esta ferramenta não chuta; ela diz em que ordem os caracteres estão.
Por que algumas palavras aparecem emendadas?
Porque o PDF nunca escreveu um espaço entre elas. Software de diagramação frequentemente posiciona cada palavra independentemente em vez de emitir um caractere de espaço, então o vão visual é uma diferença de coordenadas sem caractere por trás. Um extrator que inserisse espaços onde quer que visse um vão também os inseriria dentro de palavras com kerning, o que é pior. Este é o artefato mais comum em texto de PDF extraído, e é inerente ao formato.
Isto é OCR?
Não, e essa é a informação mais útil sobre ele. O OCR olha uma imagem e reconhece caracteres, o que funciona em scans e tem uma taxa de erro — confunde rn com m, l com 1, e vai mal em scans de baixa qualidade. Este lê os caracteres que o documento já armazena, então onde há camada de texto o resultado é exato. As duas ferramentas resolvem problemas diferentes, e nenhuma substitui a outra.
Dá para extrair texto de apenas algumas páginas?
O documento inteiro é extraído com marcadores de página, o que torna trivial achar a parte que você quer — pesquise por "--- page 7 ---" e pegue o que vem depois. Um intervalo por página pouparia uma rolagem e custaria a capacidade de pesquisar tudo de uma vez, que costuma ser a razão de as pessoas extraírem texto em primeiro lugar.
O meu documento é enviado?
Não. O pdf.js roda nesta aba — é o motor da Mozilla, o mesmo código que o Firefox usa para exibir PDFs — e o texto é extraído na sua máquina. O connect-src 'self' na Content-Security-Policy da página significa que o navegador bloquearia uma tentativa de envio. Isso importa aqui porque o texto extraído é a versão totalmente pesquisável, pronta para copiar e colar, de tudo o que o documento continha.