Como funciona
- Solte seus PDFs.
- Escolha a ordem de leitura, o intervalo de páginas e a detecção de tabelas.
- Baixe arquivos TXT, CSV ou JSON.
Por que usar
- Mantém a ordem de leitura ou o layout original.
- Detecta tabelas simples e exporta cada uma como CSV.
- JSON estruturado com o texto de cada página.
- Em lote com download em ZIP.
Tirar texto e tabelas de um PDF
Seu PDF tem texto?
Um PDF feito a partir do Word, de uma página web ou de qualquer outro programa guarda texto de verdade: dá para selecionar, pesquisar e copiar. Uma digitalização ou uma foto salva como PDF guarda só imagens das páginas, e não há texto para extrair até que alguém o leia. A prévia diz de que tipo é o seu: se indicar que nenhuma camada de texto foi encontrada, use imagem para texto, que reconhece as letras de digitalizações, ou PDF para Word, que faz o mesmo enquanto reconstrói o documento.
Ordem de leitura ou layout
Dentro de um PDF, o texto é guardado em pedaços posicionados na página, não em parágrafos, e a ordem dos pedaços no arquivo muitas vezes não é a ordem em que você os lê. O extrator ordena os pedaços pela posição: de cima para baixo, e da esquerda para a direita dentro de uma linha, juntando pedaços cujas linhas de base se alinham.
- Ordem de leitura, o padrão, dá as linhas na ordem em que você as lê, com uma linha em branco onde um espaço maior marca um novo parágrafo.
- Manter o layout deixa cada linha onde estava, com espaços no lugar das distâncias entre colunas. Use para formulários, faturas e tudo em que a posição de um valor na linha importa.
Páginas com duas ou três colunas de texto são o caso mais difícil para qualquer extrator. Se linhas de colunas vizinhas saírem misturadas, converta com PDF para Word, que detecta colunas, e copie de lá.
Tabelas
Com Detectar tabelas ativado, o extrator procura texto alinhado em colunas ao longo de várias linhas, como listas de preços, extratos e horários, e reconstrói cada um em linhas e células. Mínimo de linhas, 3 por padrão, define quantas linhas precisam se alinhar para algo contar como tabela; baixe para tabelas curtas, aumente se texto comum for confundido com tabela. Cada tabela pode ser copiada como CSV direto da prévia, e é salva como seu próprio arquivo CSV que abre no Excel, no Google Sheets ou no Numbers.
Grades simples funcionam melhor. Tabelas com células mescladas, texto quebrando dentro das células ou várias tabelas lado a lado podem precisar de uma arrumada numa planilha depois.
Os arquivos que você recebe
- Texto simples (.txt), em UTF-8, então letras acentuadas, árabe e chinês chegam intactos.
- Um CSV por tabela, com o nome do número e da página, como table-01-page-3.csv, e marcado para o Excel ler as letras acentuadas corretamente.
- JSON, desativado por padrão: cada linha de cada página com sua posição e tamanho de texto, para desenvolvedores que processam muitos PDF.
Para uma olhada rápida numa única página, não é preciso baixar nada: copie todo o texto ou uma tabela da prévia.
Se algo der errado
- Nenhuma camada de texto foi encontrada. O PDF é uma digitalização. Use imagem para texto ou PDF para Word com reconhecimento de texto.
- O texto sai como algo sem sentido. Alguns PDF usam fontes sem mapeamento correto para letras, então o texto não pode ser lido. O reconhecimento de texto contorna isso.
- Palavras grudam ou se separam. O PDF posiciona letras soltas em vez de palavras. Tente Manter o layout, que mantém o espaçamento original.
- Diz que o PDF está protegido por senha. Desbloqueie antes com desbloquear PDF, se você tiver o direito.
Usos populares desta ferramenta
Perguntas e respostas
Por que não recebi nenhum texto?
PDFs digitalizados contêm imagens de páginas, não texto. Passe-os antes pela ferramenta Imagem para texto (OCR).
A detecção de tabelas funciona bem?
Funciona melhor com grades simples de colunas alinhadas. Layouts complexos podem precisar de um ajuste manual.
Meu documento é enviado?
Não, a extração roda no seu navegador.
Guias relacionados
Como tarjar um PDF do jeito certo
Escondemos os dados privados de um extrato de quatro jeitos e depois tentamos recuperá-los. As caixas pretas e uma cópia digitalizada revelaram tudo. Só um método não deixou nada para trás.