Por que não consigo selecionar e copiar texto de um PDF

Passe o arquivo pelo PDF para texto. Páginas vazias no TXT indicam digitalização ou texto em curvas: é caso de OCR. Bloqueio de cópia sem senha de abertura não impede a extração. Texto embaralhado só se corrige com OCR após transformar as páginas em imagens.

O jeito mais rápido de achar a causa é passar o arquivo pelo PDF para texto e olhar o TXT gerado. A ferramenta pega a camada de texto do PDF do jeito que ela está: se não houver camada, o arquivo sai quase vazio, e se ela estiver danificada, você verá os mesmos caracteres estranhos que aparecem ao copiar. Esse resultado diz mais do que um botão cinza no seu leitor de PDF.

Normalmente são quatro causas: a página é uma digitalização ou foto, o texto foi convertido em curvas na exportação, o autor bloqueou a cópia nas configurações de segurança ou a ligação entre a aparência das letras e o seu significado está quebrada. Veja abaixo como reconhecer cada uma e o que fazer.

Comece por uma linha

Abra o PDF, tente selecionar uma frase comum e cole em um editor de texto simples. Procure uma palavra bem visível na página. Repita em outra página: um mesmo documento pode misturar páginas digitalizadas com páginas que têm texto de verdade.

Anote o que acontece. Nada é selecionado, a página inteira é selecionada como um bloco, aparecem letras aleatórias ou o leitor avisa claramente que a cópia não é permitida? Essas observações valem mais do que o tamanho do arquivo. Um PDF grande não é necessariamente uma digitalização, e um pequeno não tem texto necessariamente. Confira também se a ferramenta de seleção de texto está ativa no leitor, e não a mãozinha que move a página.

O que o TXT do PDF para texto revela

Envie o arquivo e rode a conversão com as configurações padrão. No TXT, cada página começa com uma marca como “--- Página 3 ---”. Embaixo da marca aparece uma de três situações.

• “(página vazia)”. Essa página não tem camada de texto: é uma imagem ou texto em curvas. Se todas as páginas estiverem assim, a tarefa mostra também o aviso “Este PDF não tem camada de texto”.
• Texto normal. A camada está boa, e o problema está no leitor ou nas restrições de segurança explicadas mais abaixo.
• Letras aleatórias, quadradinhos ou o alfabeto errado. A camada existe, mas está danificada.

Uma página vazia no TXT não quer dizer que a tarefa falhou: a ferramenta só está avisando que não havia nada para extrair.

A página é uma digitalização ou foto

As letras podem fazer parte de uma imagem. O leitor as desenha do mesmo jeito que as linhas de uma tabela, e a extração não transforma imagem em caracteres. Aqui você precisa do OCR de PDF: ele reconhece o texto e adiciona uma camada invisível sob a imagem, e depois disso a busca e a cópia funcionam.

Vale saber antes: o campo “idioma ocr” só oferece “automático”, “inglês” e “russo”. “automático” lê inglês e russo juntos. Se o documento não tiver texto em russo, escolha “inglês”: no modo “automático”, letras latinas podem ser reconhecidas como letras cirílicas parecidas. Português não está disponível: um texto em português é reconhecido sem um modelo de idioma próprio, e letras com acento, til ou cedilha (á, ã, ç) podem se perder ou ser trocadas. Para documentos em inglês o OCR funciona bem; com textos em português, revise o resultado com atenção. Se a digitalização estiver torta, ative “endireitar” e, em “qualidade ocr”, escolha “preciso” quando a precisão importar mais que a velocidade.

A qualidade do reconhecimento depende do original. Letra miúda, inclinação e ruído causam erros, principalmente nos números. Em uma nota de R$ 12.580, confira separadamente o valor, o número e a data: um sobrenome reconhecido corretamente não basta para confiar na página toda. Se houver uma digitalização mais nítida, comece por ela. As configurações estão explicadas com mais detalhes em Como reconhecer texto em PDF digitalizado.

O texto foi convertido em curvas

Às vezes a página parece um documento diagramado normal, mas nenhuma letra pode ser selecionada e o TXT mostra “(página vazia)”. Uma causa comum é que o texto foi convertido em curvas (contornos) ao exportar de um programa de design ou ao preparar o arquivo para a gráfica. Cada letra virou uma forma vetorial, como uma linha ou um logotipo, e o arquivo não guarda mais caracteres. Se as letras continuam nítidas com muito zoom, não é digitalização, mas para copiar tanto faz: a página se comporta como imagem.

O OCR também ajuda aqui. Se você abrir o arquivo na Edição de PDF e clicar em “Reconhecer texto (OCR)”, o painel mostra o estado de cada página: “com texto”, “digitalização” ou “desenho”. A marca “desenho” indica uma página sem texto, mas com muitos gráficos vetoriais, o que é típico de texto em curvas. A opção “Páginas sem texto” seleciona as digitalizações e esse tipo de página ao mesmo tempo.

A cópia está bloqueada pelas configurações de segurança

Um PDF pode abrir sem senha e mesmo assim proibir a cópia: o autor definiu restrições com uma senha de proprietário. O leitor então desativa “Copiar” ou mostra uma mensagem sobre permissões. Isso é diferente de uma senha de abertura, sem a qual o arquivo não mostra nenhuma página.

Se o arquivo abre sem senha, o PDF para texto extrai o texto direto; não é preciso desbloquear nada antes. Se você precisa copiar no próprio leitor, o Desbloquear PDF remove essas restrições: deixe o campo “senha” vazio, porque a senha de proprietário não é necessária. Faça isso com seus próprios documentos ou com arquivos que você tem permissão para usar. As restrições podem fazer parte de um acordo com o autor, e removê-las não dá direito de reaproveitar o conteúdo.

Se o arquivo pede senha para abrir, você precisa saber qual é: digite no campo “senha”. A ferramenta não adivinha senhas. Sem ela, peça ao remetente uma versão acessível. A proteção é tratada em Como remover a senha de um PDF.

O texto copiado vira uma bagunça de caracteres

O PDF guarda separadamente a aparência de uma letra e o seu significado. Se a tabela de correspondência da fonte estiver incompleta ou danificada, a página é lida normalmente, mas o que vai para a área de transferência não faz sentido. Em geral, a culpa é da fonte ou da forma como o documento original foi exportado. Mudar a extensão para .txt não resolve nada.

O melhor caminho é exportar de novo no programa original, com as fontes incorporadas. Se você não tem o original, cuidado com uma armadilha: o OCR de PDF pula as páginas que já têm uma camada de texto com pelo menos 24 caracteres sem contar espaços, mesmo que essa camada seja lixo. A tarefa termina, mas essas páginas continuam iguais.

A saída é transformar as páginas em imagens primeiro. Passe o arquivo pelo PDF para JPG: você recebe um arquivo ZIP com uma imagem por página. Envie o ZIP inteiro ou as imagens descompactadas para o JPG para PDF e confira a ordem das páginas. O novo PDF não tem camada de texto, então o OCR de PDF vai reconhecer todas as páginas. Links e marcadores do original se perdem e o arquivo pode ficar maior, por isso guarde o original junto. Em cada uso, o JPG para PDF aceita um número limitado de imagens, e as imagens de um ZIP também contam (o limite aparece na página da ferramenta). Processe um documento longo em partes e junte os PDFs resultantes com o Juntar PDF. Esse caminho consome pelo menos três operações do seu limite diário, e mais se você trabalhar em partes.

Confira o resultado inteiro

Depois de corrigir, abra a primeira página, uma do meio e a última. Busque uma palavra, copie uma frase e compare os valores importantes com a imagem. Confira as tabelas à parte: ter texto não significa que as células estão na ordem certa no TXT.

Se você precisa do texto completo e não de uma citação, siga para a extração: como escolher o modo e configurar as quebras de página está explicado em como extrair texto de PDF e salvar em TXT. Guarde o PDF original ao lado do resultado e anote os trechos em que o reconhecimento ou a ordem das linhas precisaram de correção manual.