Conversor online gratuito de PDF para TEXT

Um script, editor de terminal, banco de dados ou sistema de arquivamento pode exigir texto simples em vez de um PDF. A conversão cria um arquivo .txt menor e pesquisável, mas páginas digitalizadas exigem OCR antes que suas palavras possam ser extraídas.

O que é o formato PDF

PDF (Portable Document Format) é um formato de layout fixo desenvolvido pela Adobe para preservar dimensões de página, fontes, posicionamento, imagens e outros elementos do documento em diferentes sistemas operacionais. Processadores de texto, aplicativos de editoração eletrônica, scanners, navegadores da Web e impressoras virtuais criam PDFs; os softwares comuns incluem Adobe Acrobat, Microsoft Word, LibreOffice e macOS Preview.

Um PDF pode conter uma camada de texto selecionável, apenas imagens de páginas ou ambos. Seu layout pode incluir colunas, tabelas, cabeçalhos, rodapés, rótulos posicionados, fontes incorporadas, formulários, comentários e links. O PDF é usado para contratos, faturas, manuais, relatórios, registros digitalizados e documentos que precisam manter sua aparência visual quando compartilhados ou impressos.

O que é o formato TEXT

TEXT geralmente significa um arquivo de texto simples, como document.txt. Ele armazena caracteres e quebras de linha sem fontes, cores, imagens, geometria de página, tabelas, hiperlinks ou outros estilos.

O texto simples é pequeno e amplamente compatível com ferramentas de linha de comando, scripts, bancos de dados, sistemas de controle de versão, sistemas de e-mail, editores de terminal, leitores de tela e fluxos de trabalho de processamento de dados de longo prazo. É fácil de pesquisar e editar, mas não pode preservar o layout visual do PDF nem representar tabelas estruturadas de forma confiável.

Como converter PDF em TEXT

Usando o conversor 101convert.com

1. Abra a página de conversão de PDF para TEXT em 101convert.com.
2. Faça upload do PDF e selecione TEXT ou TXT como formato de saída.
3. Inicie a conversão e baixe o arquivo .txt gerado.

Essa opção é executada em um navegador da Web sem instalar software. Não faça upload de documentos confidenciais ou regulamentados, a menos que os termos atuais de privacidade e retenção do serviço sejam aceitáveis.

Usando o pdftotext do Poppler

O pdftotext do Poppler é uma opção rápida e adequada para scripts em PDFs que contêm texto selecionável. Instale o Poppler por meio do gerenciador de pacotes do sistema operacional e execute:

pdftotext -enc UTF-8 input.pdf output.txt

Para documentos com colunas ou tabelas simples, tente:

pdftotext -layout input.pdf output.txt

-layout preserva mais espaçamento horizontal, mas os espaços extras podem tornar a análise posterior menos confiável. Para extrair somente as páginas 2 a 5, use:

pdftotext -f 2 -l 5 input.pdf output.txt

No Windows, execute o comando a partir do diretório que contém os binários do Poppler ou adicione esse diretório a PATH. No macOS e no Linux, uma instalação feita pelo gerenciador de pacotes normalmente torna o pdftotext disponível no terminal.

Usando software para desktop

No Adobe Acrobat, abra o PDF e escolha File → Export To → Text, depois selecione o destino e salve o arquivo de texto simples. Os nomes dos menus podem variar conforme a versão do Acrobat. Alguns outros visualizadores de PDF oferecem uma opção de texto simples em File → Save As, mas muitos salvam apenas um novo PDF.

Para PDFs digitalizados

Se não for possível selecionar ou copiar as palavras, o PDF provavelmente contém imagens de páginas em vez de uma camada de texto. Execute primeiro o OCR com o OCRmyPDF, que normalmente usa o Tesseract:

ocrmypdf -l eng --deskew input.pdf searchable.pdf

A opção -l eng seleciona os dados de reconhecimento em inglês; use o código de idioma instalado apropriado para outro idioma ou para um documento multilíngue. Em seguida, extraia o texto do OCR:

pdftotext -enc UTF-8 searchable.pdf output.txt

O OCRmyPDF pode exigir pacotes separados de dados de idioma do Tesseract. O OCR não é necessário quando o PDF original já contém texto selecionável preciso.

Limitações de qualidade e compatibilidade

• A extração de texto segue as posições dos caracteres armazenadas no PDF, não necessariamente a ordem de leitura pretendida. Páginas com várias colunas, barras laterais, notas de rodapé, texto girado, cabeçalhos e rótulos decorativos podem aparecer fora de sequência.
• As tabelas geralmente se tornam linhas de texto com espaços ou delimitadores inconsistentes. Se os dados precisarem permanecer estruturados, exporte-os para CSV ou outro formato tabular em vez de TXT e verifique todas as linhas e colunas.
• Ligaturas, mapeamentos de fontes ausentes, codificações incomuns e PDFs danificados podem produzir caracteres incorretos. Verifique nomes, números, símbolos e textos não latinos comparando-os com a fonte.
• O OCR pode interpretar caracteres incorretamente, especialmente em digitalizações de baixa resolução, inclinadas, com ruído, manuscritas ou com composição tipográfica incomum. Revise manualmente os resultados importantes.
• O texto simples não mantém imagens, cores, layout da página, links clicáveis, comentários, campos de formulário ou números de página visuais.
• PDFs protegidos por senha ou com restrições de extração podem exigir a senha correta ou a autorização do proprietário antes da conversão; as ferramentas de conversão não devem ser usadas para contornar controles de acesso.