Converter PDF em texto
A ferramenta PDF para texto do FileReshape lê a camada de texto de cada página e a salva em um único arquivo .txt simples em UTF-8, ou a mostra pronta para copiar. O texto é extraído no seu navegador e o PDF não é enviado. PDFs digitalizados sem camada de texto não geram texto, porque a ferramenta não faz OCR, colunas e tabelas podem sair embaralhadas e o layout não é mantido.
Um arquivo não foi convertido corretamente? Escreva para [email protected], de preferência com um pequeno arquivo de exemplo, e o problema será corrigido.
O essencial
- Entrada: PDF (.pdf). Saída: Texto simples (.txt).
- Seus arquivos não são enviados: o trabalho é feito no navegador, no seu próprio dispositivo.
- Tamanho: sem limite fixo; arquivos muito grandes são limitados pela memória do dispositivo.
- Precisa de um navegador atual (Chrome, Edge, Firefox ou Safari) no computador, tablet ou celular; nada para instalar.
- Grátis e sem cadastro.
Por que transformar um PDF em texto simples
Copiar texto de um leitor de PDF funciona para uma frase, mas para um documento inteiro traz quebras de linha estranhas, pula páginas ou para no fim da tela. Esta ferramenta lê a camada de texto de cada página e entrega um único arquivo de texto simples em UTF-8, pronto para um editor de texto, uma ferramenta de tradução, um script ou uma busca. O texto também aparece na página com um botão “Copiar”, para você colar em outro lugar sem baixar nada. Escolha como as páginas são separadas: uma linha curta de marcação como “--- Página 2 ---”, uma linha vazia ou um caractere de quebra de página (form feed) para ferramentas que contam páginas desse jeito. Muitos PDFs, principalmente digitalizações, não têm camada de texto nenhuma; a ferramenta diz quais páginas são afetadas em vez de entregar um arquivo vazio.
Como extrair o texto de um PDF
- Solte seu PDF na caixa ou clique para escolhê-lo.
- Escolha o que vai entre as páginas.
- Clique em “Extrair texto” e depois baixe o arquivo .txt ou copie o texto da caixa abaixo.
O que você precisa saber
PDFs digitalizados não têm texto
Um scanner ou a câmera do celular guarda cada página como uma imagem. A menos que o OCR (reconhecimento de texto) tenha sido feito quando o PDF foi criado, não há texto para extrair, e esta ferramenta não faz OCR. As páginas sem texto são listadas pelo número, então um PDF que mistura páginas digitadas e anexos digitalizados continua útil.
Colunas e tabelas
O texto sai na ordem em que o PDF o armazena. Para parágrafos normais, essa é a ordem de leitura. Jornais com várias colunas, formulários e tabelas podem sair coluna por coluna ou com células grudadas em uma linha, então confira antes de confiar no resultado.
Caracteres estranhos
Alguns PDFs, muitas vezes antigos ou gerados por certos drivers de impressão, usam fontes sem uma tabela que diga qual letra é cada forma. O texto pode parecer certo na tela, mas sair como símbolos sem sentido. Isso é uma característica do arquivo; outra ferramenta que leia a mesma camada de texto terá o mesmo resultado.
O layout não é mantido
Um arquivo .txt não tem fontes, negrito, imagens nem layout de página, só caracteres e quebras de linha. Cabeçalhos, rodapés e números de página impressos nas páginas fazem parte do texto e aparecem em todas as páginas.
Sobre os formatos
O PDF (Portable Document Format) foi criado pela Adobe em 1993 e é uma norma ISO desde 2008. Um PDF aparece igual em qualquer dispositivo, por isso é usado para contratos, notas fiscais, formulários, manuais e documentos digitalizados.
- Uma página pode conter texto, gráficos vetoriais e imagens, cada um posicionado com exatidão.
- Documentos digitalizados costumam ter uma imagem por página.
- Um PDF pode ser protegido por uma senha, necessária para abri-lo ou editá-lo.
Texto simples
Um arquivo de texto simples (.txt) contém só caracteres e quebras de linha: nada de fontes, cores, imagens ou layout. Isso faz dele o formato de documento mais portátil que existe, legível por qualquer editor, ferramenta de busca e linguagem de programação.
- A codificação define como são guardadas as letras além de A-Z; o UTF-8 cobre todos os alfabetos.
- O Windows termina as linhas com CR LF, o Mac e o Linux com LF; os editores atuais leem os dois.
- Não há layout de página, então as quebras de página são escritas como linhas marcadoras ou caracteres de quebra de página (form feed).
Perguntas frequentes
Meu PDF é enviado?
Não. O texto é lido pelo seu navegador no seu próprio dispositivo, e nem o PDF nem o texto são enviados para lugar nenhum.
Qual codificação o arquivo de texto usa?
UTF-8, que mantém letras como ã, ç e é, e caracteres de outros alfabetos. Todo editor de texto atual, incluindo o Bloco de Notas no Windows 10 e 11 e o TextEdit no Mac, o abre corretamente.
Posso extrair texto de um PDF protegido por senha?
Não, se ele pedir senha para abrir. Remova a senha no seu leitor de PDF antes e depois extraia o texto aqui.
Posso pegar o texto de só algumas páginas?
A ferramenta lê o documento inteiro. Para pegar algumas páginas, extraia antes essas páginas para um novo PDF e converta esse arquivo, ou mantenha as marcações de página e apague o que não precisa em um editor de texto.