Como extrair o texto de um PDF e salvar em TXT

Envie o PDF para PDF para texto, escolha o modo e baixe um TXT em UTF-8. Passe as digitalizações antes pelo OCR de PDF: as páginas reconhecidas chegam ao TXT em qualquer modo, mas nelas o “layout” funciona igual ao “simples”.

A ferramenta PDF para texto pega a camada de texto de um PDF e salva em um arquivo TXT com codificação UTF-8. Esse arquivo é fácil de pesquisar, citar, importar em outro programa ou processar com um script. Imagens, fontes, cores e células de tabela não vão para o TXT: ficam os caracteres, as quebras de linha e algumas linhas auxiliares que marcam as páginas.

O PDF para texto não tem reconhecimento de texto embutido. Se as suas páginas são digitalizações ou fotos, primeiro é preciso uma etapa separada de OCR e só depois a extração. A seguir estão os passos, a diferença entre os dois modos e o formato do arquivo final.

Confira se o PDF tem texto

Abra o PDF em qualquer visualizador e tente selecionar uma frase. Se palavras isoladas forem destacadas e você conseguir colá-las em um editor de texto simples, o documento tem camada de texto. Se só a página inteira for selecionada, como uma imagem, trata-se de uma digitalização.

Confira várias páginas, não apenas a primeira. É comum o mesmo arquivo misturar páginas salvas a partir do Word com anexos digitalizados que trazem assinaturas e carimbos. Os motivos pelos quais o texto não se deixa selecionar estão explicados em Por que não consigo selecionar e copiar texto de um PDF.

Se o arquivo pede senha para abrir, a ferramenta vai recusá-lo com uma mensagem avisando. Remova a senha primeiro, como mostra o artigo Como remover a senha de um PDF.

Extração passo a passo

1. Abra o PDF para texto e arraste o arquivo para a área de envio ou escolha-o no seu dispositivo. Cada execução processa um PDF. 2. No bloco “Parâmetros”, escolha em “Modo de texto” a opção “simples” (o padrão) ou “layout”. 3. Decida se você precisa da caixa “Quebras de página”. Ela vem marcada por padrão. 4. O campo “Nome do arquivo de saída” pode ficar vazio; o nome é definido automaticamente. 5. Clique em “Processar arquivo”, espere terminar e baixe o TXT. 6. Abra o resultado em um editor compatível com UTF-8 e leia os avisos que aparecerem ao lado do resultado.

Qual modo escolher: “simples” ou “layout”

O modo “simples” devolve o texto na ordem em que ele está gravado dentro do arquivo, sem espaços de alinhamento. Em cartas, contratos e artigos exportados de um editor de texto, essa ordem costuma coincidir com a ordem de leitura. O modo “layout” reproduz a posição na página: acrescenta espaços e linhas em branco para que as palavras fiquem mais ou menos onde estão na folha.

Uma lista de preços mostra bem a diferença. Suponha que o PDF tenha uma tabela em que uma linha traz o código AB-120, o produto “Cabo” e o preço 250. No modo “layout”, a linha da tabela continua sendo uma linha: código, nome e preço ficam lado a lado, separados por espaços. No modo “simples”, o mesmo trecho pode sair por colunas — primeiro todos os códigos, depois todos os nomes e, por fim, todos os preços — se a tabela estiver gravada assim no arquivo. Aí a relação entre produto e preço se perde.

Com texto em duas colunas acontece o contrário. O “layout” coloca as colunas lado a lado, então cada linha do TXT traz uma linha da coluna da esquerda e, depois de vários espaços, uma da direita. Ler isso de forma contínua é desconfortável. O “simples” costuma entregar primeiro a coluna da esquerda inteira e depois a da direita. Na dúvida, processe o arquivo duas vezes e compare os dois resultados na mesma página.

Digitalizações depois do OCR: o que cada modo entrega

O OCR de PDF mantém a imagem da página como está e acrescenta a ela uma camada invisível com o texto reconhecido. O modo “simples” lê essa camada inteira; o “layout” enxerga só uma parte ou nada. Por isso, no modo “layout” a ferramenta confere cada página: se o “layout” encontrar menos de 80% das letras e dos números que o “simples” encontra, a página é tirada do modo “simples”. Escolher o “layout” não deixa mais vazias as páginas reconhecidas nem faz aparecer o aviso de que o PDF não tem camada de texto.

O preço: nas páginas reconhecidas, o “layout” dá o mesmo resultado que o “simples”, sem colunas lado a lado nem espaços de alinhamento. A decisão é tomada página por página, então, em um arquivo misto, as páginas com texto nativo mantêm a disposição do “layout”. Com digitalizações, reconheça o arquivo no OCR de PDF, baixe o PDF com a camada de texto e envie-o para o PDF para texto; o modo pode ficar em “simples”. Como escolher o idioma do reconhecimento e conferir a qualidade do OCR está em Como reconhecer texto em PDF digitalizado.

O que vai para o arquivo TXT

Cada página começa com uma linha de marca: `--- Página 1 ---`, `--- Página 2 ---` e assim por diante. As marcas são escritas no idioma da interface do site em que você iniciou o processamento. Se uma página não tem texto, depois da marca aparece `(página vazia)`. Essa linha ajuda a achar folhas digitalizadas em um documento misto: o aviso de resultado vazio só aparece quando nenhuma página contém texto.

A caixa “Quebras de página” insere um caractere de quebra de página antes da marca de cada página seguinte (form feed, código 0x0C, que em programação se escreve `\f`). Cada editor mostra esse caractere de um jeito: como espaço em branco, como um quadradinho ou com o símbolo FF ou ^L. Impressoras e alguns programas entendem o caractere como ordem para começar uma folha nova.

Se você desmarcar a caixa, só esse caractere some. As marcas de página continuam de qualquer forma, e isso é útil: elas mostram de que página veio uma citação.

Como limpar as linhas auxiliares

Se as marcas atrapalharem, remova-as com localizar e substituir usando expressão regular. Em editores como VS Code, Notepad++ ou Sublime Text, o padrão `^--- Página \d+ ---$` com substituição vazia resolve. O caractere de quebra de página é encontrado como `\f` ou `\x0C`. Em um script, vale dividir o texto em páginas por `\f`: com as quebras ativadas, cada pedaço começa com a marca da sua página.

Depois do texto de cada página, a ferramenta acrescenta uma linha em branco, que também pode ser removida. Já cabeçalhos, números de página impressos no documento e cabeçalhos de tabela repetidos continuam lá: eles fazem parte da camada de texto. Apague-os só depois de confirmar que são mesmo repetições, e não informações de que você precisa.

Problemas comuns e como reconhecê-los

• O TXT está vazio e há um aviso sobre a camada de texto. O arquivo é uma digitalização. Passe-o pelo OCR de PDF e envie para o PDF para texto o arquivo já reconhecido.
• Depois do OCR, o “layout” não colocou as colunas lado a lado. É o esperado: as páginas reconhecidas saem como no modo “simples”. O “layout” só mantém as colunas nas páginas com texto nativo.
• Os preços se separaram dos produtos. A tabela está gravada por colunas. Se o PDF tiver texto nativo, e não uma camada de OCR, teste o modo “layout” e, se precisar de células de verdade, leia Extrair tabelas de PDF para Excel.
• Aparecem símbolos estranhos no lugar das letras. O PDF incorpora uma fonte sem tabela de caracteres correta: na tela as letras aparecem certas, mas a camada de texto guarda outros códigos. Veja se o mesmo trecho é copiado corretamente a partir de um visualizador; se lá também sair lixo, o problema está no próprio arquivo.
• Depois do OCR, O e 0 ou l e 1 se confundem. Os erros de reconhecimento vão para o TXT do jeito que estão. Confira à mão códigos, valores e datas.
• Os acentos viraram símbolos estranhos. Um programa antigo abriu o arquivo UTF-8 com outra codificação. Abra de novo escolhendo UTF-8 de forma explícita, por exemplo em um assistente de importação de texto.

Confira o resultado antes de usar

Leia o começo, o meio e a última página do TXT e compare com o PDF. Olhe à parte notas de rodapé, tabelas e colunas, onde a ordem das linhas mais se quebra. Para citações, compare cada trecho com a página de origem; a marca indica o número dela. Guarde o PDF junto com o TXT: se o modo escolhido não funcionar bem, dá para extrair o texto de novo com o outro.