Ferramenta / PDF

PDF para Texto

O PDF para Texto da Kitly roda localmente no navegador e transforma operadores de texto selecionável em texto simples. Ele não lê pixels como texto.

StatusSelecione um PDF para começar. O arquivo fica neste navegador.

Páginas-

Selecione um PDF para começar. O arquivo fica neste navegador.
Orientações publicadas pela Kitly

Como extrair texto de um PDF

A ferramenta lê a camada de texto já armazenada no PDF. Ela funciona melhor em documentos digitais, não em digitalizações.

  1. Escolha um PDF

    Selecione o documento e confirme o nome e o tamanho mostrados no navegador. O arquivo é lido localmente.

  2. Extraia a camada de texto

    Inicie a extração e mantenha a aba aberta enquanto cada página é processada em ordem.

  3. Revise antes de reutilizar

    Confira títulos, colunas, listas, quebras de página e caracteres especiais e depois copie o resultado ou baixe como arquivo de texto.

Quando PDF para texto funciona melhor

  • Tente selecionar uma frase no leitor de PDF comum; texto selecionável é um bom sinal de que a extração funcionará.
  • Revise tabelas e layouts com várias colunas, pois a ordem visual nem sempre fica armazenada com clareza no PDF.
  • Mantenha o PDF original por perto ao citar trechos para conferir nomes, números e pontuação.

Limitações conhecidas de PDF

  • Páginas escaneadas ou compostas apenas por imagens precisam de OCR, que esta ferramenta ainda não realiza.
  • PDFs protegidos por senha ou criptografados não são aceitos.
  • A extração não preserva tipografia, imagens, espaçamento exato nem o layout original das páginas.

Orientações práticas

Estes exemplos registram o que o extrator devolveu para PDFs originais de uma página: texto selecionável com acentos, dois trechos lado a lado e uma página só com imagem. Um arquivo criptografado, um corrompido e um vazio entram para comparar as mensagens.

A extração precisa de JavaScript porque o PDF.js lê o arquivo escolhido no navegador. Os exemplos medidos, as escolhas e o diagnóstico abaixo continuam legíveis sem JavaScript.

Amostras de PDF medidas

Cada arquivo foi criado para a Kitly. O texto foi obtido com pdfjs-dist 4.10.38 no Node.js 22.19.0, com a mesma montagem de linhas desta página. Não há documento de terceiros nem dado pessoal.

Texto selecionável preserva acentos

Um PDF digital de uma página, com duas linhas em WinAnsi, extrai as duas linhas, inclusive é, ã e ç.

Texto gravado no PDF

Kitly sample
Café da manhã: pão e ação.
Configurações
Arquivo selectable-accents.pdf, 677 B, 1 página
Primeira linha x=72, y=720
Segunda linha x=72, y=692

Texto extraído

Kitly sample
Café da manhã: pão e ação.

O que conferir

Os acentos permaneceram, e o intervalo vertical de 28 pontos virou uma quebra de linha. O .txt disponível para download é essa string exata, 44 B, sem uma quebra extra no final. O resultado vem de operadores de texto que já estavam no arquivo.

Ressalvas

  • Fonte, tamanho e espaçamento exato não entram no arquivo de texto.
  • O exemplo em imagem nesta página mostra o que acontece quando esses operadores de texto não existem.

Arquivos do exemplo

Trechos lado a lado viram uma linha

Dois trechos na mesma linha de base, em posições horizontais diferentes, são unidos numa linha só.

Operadores de texto no PDF

Left café
em x=72, y=500

Right ação
em x=320, y=500
Configurações
Arquivo two-column-layout.pdf, 670 B, 1 página
Trecho esquerdo x=72, y=500
Trecho direito x=320, y=500

Texto extraído

Left café Right ação

O que conferir

O PDF.js devolveu os dois trechos na mesma linha. A ferramenta une itens da mesma linha com espaços, então o resultado de 23 B é “Left café Right ação”. Os acentos permaneceram. O vão horizontal não é preservado; compare essa linha com o PDF antes de tratá-la como a ordem de leitura.

Ressalvas

  • Uma tabela ou uma página com várias colunas pode ser achatada do mesmo modo. Confira nomes e números no original.
  • O .txt contém só a linha extraída, sem quebra extra no final.

Arquivos do exemplo

Uma página só com imagem fica vazia

Uma página que desenha uma imagem sintética e não tem operadores de texto produz uma string vazia e a mensagem de texto selecionável.

Conteúdo da página

Imagem DeviceGray de 16×16, sem operadores de texto. 921 B, 1 página.

Resultado da ferramenta

Nenhum texto selecionável foi encontrado. Este PDF pode ser escaneado ou baseado em imagem.

O que conferir

A lista de itens de texto veio vazia, e a string extraída também. A ferramenta não leu pixels como palavras. OCR é outro processo, e esta página não o executa. Uma página em branco válida, empty-page.pdf com 421 B, produziu a mesma mensagem. O texto indica que não havia texto selecionável.

Ressalvas

  • A imagem é um padrão original de 16×16 feito para este exemplo. Não é a digitalização de um documento real.
  • Copiar e baixar ficam indisponíveis quando a string extraída está vazia.

Arquivos do exemplo

Arquivo criptografado, corrompido e de zero bytes

Essas entradas falham antes de mostrar texto, e as mensagens não são iguais.

Mensagens da ferramenta

encrypted-example.pdf (933 B): PDFs criptografados ainda não são aceitos.
corrupt.pdf (64 B): Não foi possível ler o PDF selecionado neste navegador.
zero-byte.pdf (0 B): Não foi possível ler o PDF selecionado neste navegador.

O que conferir

A amostra criptografada faz o PDF.js responder “No password given”, e esta página traduz isso para a mensagem de PDF criptografado. A senha publicada é example; a ferramenta não pede nem envia senha. Com essa senha, o PDF.js lê o texto “Public fixture”, o que mostra que o arquivo está criptografado. A amostra corrompida gera “Invalid PDF structure.” A amostra de zero bytes gera “The PDF file is empty, i.e. its size is zero bytes.” Essas duas viram a mensagem genérica de leitura.

Ressalvas

  • example é a senha publicada da amostra, não uma credencial de conta.
  • Remover a criptografia precisa ser feito em outro programa. Esta página continua recusando o arquivo.

Arquivos do exemplo

Quando a extração basta

Escolha pelo que já está gravado no PDF. Esta ferramenta lê operadores de texto. Ela deixa as imagens como estão.

Texto digital selecionável

Use quando: Um leitor de PDF comum permite selecionar uma frase, como em selectable-accents.pdf.

Trocas: O arquivo de texto perde fontes, imagens e espaçamento exato. Os acentos da amostra foram preservados.

Colunas, tabelas ou linhas posicionadas

Use quando: Dá para comparar o resultado com o PDF, como nos dois trechos em y=500.

Trocas: Trechos na mesma linha podem ser unidos. A amostra virou uma linha de 23 B.

Página escaneada ou só com imagem

Use quando: As palavras existem só como pixels e você usa um programa de OCR separado.

Trocas: Este extrator devolve a mensagem de texto selecionável vazio. Ele não infere palavras a partir da imagem.

Quando o resultado parece errado

As mensagens abaixo são as que esta página mostra. Os limites de 25 MB e 200 páginas foram exercitados em memória; esses arquivos grandes não são publicados.

Problema: PDFs criptografados ainda não são aceitos.

Causa provável: O PDF.js respondeu “No password given” para encrypted-example.pdf.

O que fazer: Abra o arquivo num programa que aceite a senha, salve uma cópia sem criptografia e extraia essa cópia. Saber a senha example não muda esta página.

Problema: Não foi possível ler o PDF selecionado neste navegador.

Causa provável: corrupt.pdf não tem estrutura PDF válida. zero-byte.pdf está vazio, e o PDF.js informa que o tamanho do arquivo é zero.

O que fazer: Substitua o arquivo por uma nova exportação do programa original.

Problema: Nenhum texto selecionável foi encontrado. Este PDF pode ser escaneado ou baseado em imagem.

Causa provável: A página não tem operadores de texto. scan-only.pdf e empty-page.pdf fizeram isso.

O que fazer: Tente selecionar uma frase num leitor de PDF. Se a seleção for impossível, as palavras não estão numa camada de texto. O OCR precisa ser feito em outro lugar.

Problema: Escolha um PDF de até 25 MB.

Causa provável: A verificação de tamanho aceita 26.214.400 bytes e recusa 26.214.401 bytes antes de o PDF.js abrir o arquivo.

O que fazer: Divida ou recomprima o PDF e tente de novo. O limite de 40 megapixels das ferramentas de imagem não se aplica aqui, porque esta ferramenta não decodifica imagens de página em pixels.

Problema: Escolha um PDF com no máximo 200 páginas.

Causa provável: Um PDF de 200 páginas em memória passou na verificação. Um PDF de 201 páginas em memória foi interrompido depois que a contagem de páginas ficou conhecida.

O que fazer: Divida o documento em partes de até 200 páginas e extraia cada parte.

Problema: Escolha um PDF com extensão .pdf e tipo MIME application/pdf correspondentes.

Causa provável: Um arquivo chamado notes.txt, com tipo text/plain, foi recusado pela mesma verificação que a página usa antes da extração.

O que fazer: Escolha um arquivo cujo nome termine em .pdf e cujo tipo no navegador seja application/pdf.

Fontes relevantes

Estas fontes descrevem o formato do arquivo e a biblioteca usada para ler a camada de texto.

  • PDF.js A biblioteca que esta página usa para ler texto já gravado num PDF.
  • PDF 32000-1:2008 A especificação PDF para operadores de texto e imagens XObject.

Perguntas frequentes

Para que serve PDF para Texto?

PDF para Texto extrai operadores de texto selecionável de um PDF para você copiar trechos, pesquisar conteúdo ou levar o texto para notas. Ele não preserva o layout de colunas.

Funciona com PDFs escaneados?

Não. Páginas escaneadas ou só de imagem precisam de OCR, que esta ferramenta não executa. Arquivos só de imagem devolvem um resultado vazio e deixam copiar e baixar desativados.

Os arquivos PDF serão enviados?

Não. A extração roda no navegador com PDF.js, então o PDF selecionado não precisa ser enviado a um servidor.

Por que duas colunas viraram uma linha?

Trechos na mesma linha de base são unidos com espaços. Na amostra publicada, o texto em x=72 e x=320 virou “Left café Right ação”. Compare essa linha com o PDF antes de citá-la.

Um PDF criptografado abre se eu souber a senha?

Não. A ferramenta não pede senha. A amostra publicada encrypted-example.pdf usa a senha example e ainda mostra a mensagem de PDF criptografado.

Continue com uma ferramenta publicada ou uma sequência testada neste idioma.