PDF para Texto

Quando o texto sai ilegível

Às vezes, a extração retorna texto, mas ele está errado: símbolos aleatórios, caixas ou letras deslocadas no alfabeto. Isso acontece quando as fontes do PDF não têm um mapa que relacione seus glifos aos caracteres reais, algo que alguns programas de design e impressão deixam de incluir. A página parece correta porque desenha formas; os caracteres subjacentes não são as letras exibidas. Trate esse arquivo como uma digitalização e use PDF digitalizado para texto.

Estranhezas mais sutis têm causas simples: fi e fl unidos em um único caractere de ligadura ou uma palavra dividida em duas porque o PDF posiciona cada letra separadamente.

Organizando o texto extraído

As linhas impressas saem como linhas separadas, então um parágrafo chega com uma quebra a cada poucas palavras, e palavras hifenizadas no fim da linha continuam divididas. Cabeçalhos, rodapés e números de página são repetidos uma vez por página no meio do texto principal. Remova-os antes de citar ou reutilizar o texto e apague os identificadores de página se o texto for usado como um único bloco.

Para contar palavras ou caracteres de um documento, cole o texto limpo no contador de palavras; contar diretamente o resultado bruto inclui todos os cabeçalhos e identificadores.

Como usar

1. Escolha um PDF.
2. Extraia o texto.
3. Copie-o ou baixe um arquivo .txt.

Privacidade e limitações

O arquivo é aberto e reescrito no seu navegador e nunca é enviado, o que é justamente a ideia quando o documento é um contrato, uma digitalização ou qualquer outra coisa que você não entregaria a um estranho. Um PDF digitalizado não contém texto para extrair e é sinalizado como tal, em vez de devolver um arquivo vazio.