Converter PDF em texto
Uma ferramenta grátis que extrai o texto de um PDF e o converte em um arquivo de texto (TXT). As páginas que têm texto são extraídas como estão, e o texto de páginas digitalizadas é lido com OCR (reconhecimento óptico de caracteres). Seu PDF é processado no navegador e nunca é enviado. O OCR lê até 200 páginas de cada vez (30 páginas em dispositivos em que o processamento demora mais). Dá para abrir PDFs de até 200 MB por arquivo (100 MB em celulares e tablets).
A primeira execução só baixa um modelo de IA (cerca de 17 MB) deste site quando o PDF tem páginas sem texto (como páginas digitalizadas) ou com texto corrompido; nas próximas, é usada a cópia guardada no seu navegador. Seus PDFs nunca são enviados.
Configurações
Como usar
- 1
Adicione os PDFs
Escolha ou solte os PDFs que você quer converter em texto. Dá para adicionar vários PDFs de uma vez. Seus PDFs nunca são enviados.
- 2
Escolha o idioma do documento e as quebras de página
Em “Idioma do documento”, escolha o idioma em que o PDF está escrito (usado na leitura de páginas digitalizadas). Para converter só algumas páginas, digite-as em “Intervalo de páginas”. Em “Quebras de página”, escolha o que vai entre uma página e outra.
- 3
Converta e salve
Clique em “Executar” para criar um arquivo TXT com o texto do PDF. Salve-o com “Salvar” ou copie tudo com “Copiar texto”. Se páginas digitalizadas foram lidas, dá para conferir as linhas reconhecidas em “Conferir o texto reconhecido”.
Sobre converter PDF em texto
As páginas que têm texto são extraídas com o PDFium, o mecanismo de PDF usado também no Chrome, sem modelo de IA. Páginas sem texto e páginas com texto corrompido (ao selecionar o texto, aparecem outros caracteres) são lidas com o modelo de reconhecimento de texto do PaddleOCR (PP-OCRv6, Apache-2.0), que roda no seu navegador. Só nesse caso o modelo de IA (cerca de 17 MB) é baixado deste site na primeira vez; nas próximas, é usada a cópia guardada no seu navegador. Em PDFs em que muitas páginas têm texto, a ferramenta pergunta antes de baixar o modelo de IA. Em dispositivos que não podem usar a GPU (WebGPU), o processamento roda na CPU e demora mais do que na GPU.
Em páginas que já têm uma camada de texto de OCR, esse texto é extraído. Em páginas que misturam texto e imagens, o texto é extraído e as partes que não se sobrepõem ao texto são lidas. Se houver mais páginas para ler com OCR do que é possível ler de uma vez, as páginas sem texto são lidas a partir do início, e os números das páginas não lidas são mostrados. O arquivo salvo é um arquivo de texto UTF-8 (.txt). Você pode escolher o que vai entre as páginas em “Quebras de página” (por padrão, uma linha separadora como “--- 1 / 3 ---”).
Especificações desta ferramenta
- Entrada
- Saída
- TXT
- Limites
- Sem limite de quantidade de arquivos (processamento em lote). Até 200 MB por arquivo (100 MB em celulares e tablets). Até 200 páginas lidas com OCR por vez (30 páginas em dispositivos que processam na CPU; os números das páginas que passam disso são exibidos)
- Grátis, sem cadastro, sem aplicativo para instalar
- Os arquivos nunca são enviados (processados no navegador)
Perguntas frequentes
Meu PDF é enviado a um servidor?
Não. Abrir o PDF, extrair o texto e ler o texto de páginas digitalizadas acontece no navegador do seu dispositivo. Estatísticas que nos ajudam a corrigir erros (a faixa de número de páginas, as faixas de quantas páginas tiveram o texto extraído e quantas foram lidas com OCR, a faixa do tempo por página, tipos de erro etc.) são enviadas ao servidor deste site. Elas não incluem o conteúdo do PDF, o texto extraído, o texto reconhecido, nomes de arquivos, senhas nem os intervalos de páginas que você digita. Você pode desativar as estatísticas pela chave “Enviar estatísticas de processamento”, no fim da página.
Ele extrai texto de um PDF digitalizado?
Sim. Páginas sem texto e páginas com texto corrompido são lidas com OCR (reconhecimento óptico de caracteres). Ele foi feito para texto impresso na horizontal. Também lê páginas com texto vertical, mas com mais erros do que no texto horizontal, e pode deixar de ler a pontuação. Texto manuscrito não é suportado. Para tornar um PDF pesquisável e mantê-lo como PDF, use “OCR de PDF”.
Ele extrai texto de um PDF protegido por senha ou com restrições do autor?
Sim. Um PDF protegido por senha abre assim que você informa a senha de abertura. Se o autor restringiu a cópia e a extração, a ferramenta não extrai o texto até você informar a senha de permissões. Esta ferramenta não tenta adivinhar senhas; se você não sabe a senha de permissões, peça a quem criou o PDF. Um arquivo de texto (TXT) não pode ter senha nem restrições, então qualquer pessoa pode abrir o arquivo que você salvar. O texto escondido sob anotações, como retângulos pretos, também é extraído se ainda estiver no arquivo como texto; por isso, para excluir texto do arquivo, use “Tarjar PDF”.
O texto extraído pode ter erros?
Sim. Nas páginas lidas com OCR, alguns caracteres podem ser lidos errado ou ficar de fora, dependendo do tamanho do texto, da resolução da digitalização e de manchas ou inclinação no papel. Números muito espaçados em tabelas são lidos errado com mais frequência que o resto do texto. Quando “Japonês” é escolhido como idioma do documento, caracteres fora dos conjuntos de kanji JIS de nível 1 e 2 e emojis podem ser lidos como caracteres parecidos. Colunas e tabelas podem sair numa ordem diferente da ordem de leitura. As páginas que têm texto seguem a ordem guardada no PDF e, nas páginas lidas com OCR, uma tabela com células longas pode sair uma coluna de cada vez. Clique em “Conferir o texto reconhecido” para ver as linhas lidas com OCR marcadas com um quadro na página, com as linhas mais propensas a erros em outra cor.
Ajude a melhorar o serviço
Se uma conversão falhar, enviar as circunstâncias nos ajuda a encontrar a causa. Saber em quais dispositivos e formatos as falhas são mais frequentes, e quanto tempo o processamento leva, nos permite rever os formatos compatíveis e corrigir os bugs por trás dessas falhas. Se você não se importar, deixar esta opção ativada ajuda muito.
O que é enviado
- A ferramenta que você usou e as configurações escolhidas (formato de saída, qualidade etc.)
- As especificações do seu dispositivo (GPU, memória, número de núcleos)
- O formato de entrada e o tamanho aproximado
- Quantos arquivos deram certo ou falharam e quanto tempo levou
- O tipo e os detalhes do erro quando algo falha
O que nunca é enviado
- Os próprios arquivos e os nomes de arquivo
- O texto dos PDFs, o texto que você reescreveu ou tarjou, as senhas, os nomes de fontes e os intervalos de páginas que você digita
- O texto reconhecido e as posições das linhas reconhecidas
- Endereços IP
Os dados vão apenas para o servidor deste próprio site, nunca para um serviço de terceiros.
Para a lista completa, incluindo os detalhes que cada ferramenta envia, veja “Estatísticas de processamento” na política de privacidade.
Detalhes enviados por esta ferramenta (apenas contagens, tempos, tipos e sim/não)
Além do que está em “O que é enviado”, esta ferramenta envia os detalhes a seguir.
- Ferramentas de PDF (todas)
- A faixa do número de páginas, se a edição é restrita, se uma senha de permissões foi digitada e se o PDF tem assinatura digital ou criptografia.
- PDF para texto
- Os números de entradas e saídas, de páginas com texto extraído, páginas que já tinham texto de OCR, páginas que misturam texto e imagens, páginas lidas com OCR, páginas lidas sem texto encontrado, páginas com texto corrompido, páginas em branco, páginas reorganizadas como texto vertical, páginas com a orientação corrigida, páginas não lidas porque o modelo de IA não foi baixado e páginas não lidas por passarem do número de páginas que podem ser lidas de uma vez, de linhas e caracteres lidos, e de áreas e caracteres não lidos por se sobreporem a texto ou anotações existentes (tudo como faixas), as faixas da proporção de linhas verticais e de linhas com maior probabilidade de conter erros, as faixas do tempo por página e do tempo de carregamento do modelo de IA, o tipo e a versão do modelo de IA e se ele foi baixado, se a ferramenta perguntou antes de baixar o modelo de IA, a faixa da resolução de renderização e se ela foi reduzida, a faixa do número de partes em que uma imagem foi dividida para encontrar texto, se o tempo estimado passou de 15 minutos e se a GPU ficou indisponível.