Por que copiar de um PDF costuma dar bagunça
Selecionar texto num visualizador de PDF e colar em outro lugar costuma gerar linhas quebradas, espaços faltando ou palavras fora de ordem. O motivo é a forma como o PDF guarda o texto.
Um PDF não contém parágrafos nem linhas como um editor de texto. Ele contém instruções do tipo "desenhe estes caracteres nesta posição com esta fonte". Uma frase pode estar guardada como um único trecho, como um trecho por palavra ou até como letras individuais, e a ordem desses trechos no arquivo não precisa coincidir com a ordem de leitura. O formato foi pensado para que as páginas fiquem idênticas em qualquer lugar, não para facilitar a reutilização do texto.
Extrair todo o texto de uma vez com uma ferramenta dedicada evita a seleção chata e entrega o documento inteiro como texto simples, pronto para colar, pesquisar ou editar.
Como o texto é reconstruído
A ferramenta usa o PDF.js para ler os trechos de texto de cada página e depois os remonta:
- Trechos que compartilham a mesma linha de base são unidos numa só linha.
- Quando a posição vertical muda, começa uma nova linha.
- As páginas são separadas por uma linha em branco, então ainda dá para ver onde cada página termina.
- O progresso aparece conforme as páginas são lidas, e o número de páginas é mostrado junto com o resultado.
A saída é texto simples em UTF-8: sem fontes, negrito, tamanhos ou cores. Você pode copiar tudo com um clique ou salvar como arquivo .txt com o nome do PDF.
Layouts que pedem uma limpeza
Como o PDF só registra posições, alguns layouts saem numa ordem que você talvez não espere.
Texto em colunas
Jornais, artigos acadêmicos e newsletters costumam usar duas ou três colunas. Se o programa que gerou o arquivo escreveu primeiro a coluna da esquerda, você recebe o texto limpo, coluna por coluna. Se ele escreveu a página linha por linha atravessando as colunas, as linhas da coluna esquerda e da direita se alternam. Confira a primeira página do resultado antes de confiar no resto.
Tabelas
As células de uma mesma linha são unidas numa só linha, geralmente sem separador, então "Total 1,240.00 EUR" pode aparecer como "Total1,240.00EUR" ou com espaçamento irregular. Em tabelas, o texto simples é um ponto de partida; conte com reconstruir as colunas à mão ou numa planilha. Se você também precisa da formatação, converter PDF para Word tenta manter a estrutura.
Cabeçalhos, rodapés e hifens
Cabeçalhos, rodapés e números de página fazem parte de cada página e aparecem no texto toda vez. Palavras hifenizadas no fim da linha continuam separadas ("docu-" e "mento" em linhas diferentes). Um localizar e substituir pelo texto do cabeçalho e por "-" seguido de quebra de linha limpa a maioria dos documentos rapidamente.
Quando o resultado sai vazio ou embaralhado
- Nenhum texto. As páginas são imagens, normalmente um scan ou uma foto salva como PDF. Não há camada de texto para extrair. Use o OCR de PDF para adicionar uma camada de texto com reconhecimento óptico de caracteres e depois extraia aqui.
- Texto só em algumas páginas. Documentos mistos, como uma carta digitada com a página de assinatura escaneada, só têm texto onde ele foi digitado.
- Símbolos estranhos no lugar das letras. Alguns PDFs incorporam fontes sem a tabela que associa os glifos aos caracteres. Os visualizadores os desenham corretamente, mas os códigos por trás não significam nada. Copiar de qualquer visualizador dá o mesmo resultado; o OCR é a única solução confiável.
- "Não foi possível ler este PDF". O arquivo tem senha de abertura ou está danificado. Abra-o com a senha e salve uma cópia sem proteção, ou repare-o imprimindo para PDF a partir do seu visualizador.
Para que as pessoas usam
- Citar ou reaproveitar trechos de relatórios, contratos e manuais sem redigitar.
- Contar as palavras de um manuscrito ou de um trabalho entregue em PDF; cole o resultado no contador de palavras.
- Pesquisar num documento longo usando expressões regulares num editor de texto.
- Alimentar ferramentas de tradução, resumo ou comparação que aceitam texto simples.
- Arquivar o conteúdo legível de um documento num formato que vai abrir em qualquer lugar por décadas.
São aceitos arquivos de até 100 MB. O texto é extraído no seu dispositivo e nunca é enviado a lugar nenhum, o que faz diferença para contratos, laudos médicos e outros documentos que você não colaria num serviço online.