Extrair o texto de um PDF

Recupere o conteúdo escrito de um PDF num simples ficheiro de texto. A ferramenta lê os caracteres já presentes no documento: não fotografa as páginas nem tenta reconhecer letras numa imagem. Para um relatório exportado de um processador de texto, esta extração evita uma passagem por OCR mais lenta e potencialmente menos fiel. Pode limitar o resultado às páginas úteis antes de o copiar ou descarregar.

Os fragmentos de texto são agrupados em linhas de acordo com a sua posição em cada página. As linhas são reunidas pela ordem de leitura estimada e as páginas são separadas por uma linha vazia. O ficheiro TXT usa a codificação UTF-8 para conservar os caracteres efetivamente fornecidos pela camada de texto.

A pré-visualização contém o mesmo texto que o ficheiro descarregado. Permite procurar uma passagem ou detetar um problema antes de colar o resultado noutra ferramenta. Se alterar a seleção das páginas, a pré-visualização é anulada: volte a extrair para que corresponda à nova escolha.

Um PDF descreve sobretudo a posição de fragmentos numa página, não necessariamente parágrafos por uma ordem lógica. Colunas, caixas, notas de rodapé ou tipos de letra mal codificados podem, por isso, produzir linhas misturadas ou caracteres incorretos. Verifique uma amostra representativa, sobretudo antes de reutilizar números ou referências.

O TXT não transporta paginação, imagens nem ligações interativas. As células de uma tabela não se tornam uma folha de cálculo estruturada: para isso, use PDF para CSV ou para Excel. Se pretender uma representação aproximada de títulos e parágrafos, o Markdown é preferível.