Como converter um PDF em texto (TXT) e o que conferir depois

Para converter um PDF em texto, o PDF precisa ter uma camada de texto: a ferramenta copia as palavras guardadas no arquivo, não uma imagem da página. Extraia para um TXT só as páginas de que você precisa e confira o resultado com o original em seis pontos: páginas vazias, ordem das colunas, cabeçalhos e números de página, tabelas, fórmulas e símbolos, e caracteres estranhos. As quebras de linha ficam para o fim, quando a ordem já estiver certa. Um TXT serve para anotações, citações, buscas num manual longo pelo editor de texto ou para reaproveitar um trecho em outro documento. Ele não é uma cópia da página: fontes, imagens, colunas e linhas de tabela somem, e a ordem das palavras depende de como o PDF foi gerado.

O que você ganha ao converter um PDF em texto?

Um arquivo de texto simples tem caracteres e quebras de linha, mais nada. Na conversão, cada palavra guardada como texto é lida do arquivo e escrita em sequência. Títulos em negrito viram linhas comuns, tabelas viram fileiras de palavras e números, e imagens desaparecem.

O que mais surpreende é a ordem. Um PDF registra onde cada trecho de texto é desenhado na página, mas não precisa registrar qual parágrafo vem em seguida. A documentação do PyMuPDF diz isso com todas as letras: a extração de texto simples não tenta deixar o resultado bonito e, no caso do PDF, isso pode significar "output not in usual reading order, unexpected line breaks and so forth", ou seja, uma ordem de leitura fora do comum e quebras de linha inesperadas (receitas de texto do PyMuPDF, em inglês). Por isso, um TXT pode ter todas as palavras e mesmo assim ser lido na ordem errada.

O seu PDF tem texto para extrair?

Antes de converter, abra o PDF e tente selecionar uma frase com o cursor.

• As palavras são selecionadas uma a uma: a página tem camada de texto, e a ferramenta consegue lê-la.
• Não dá para selecionar nenhuma frase: a página provavelmente não tem camada de texto. Não há nada para ler nela, e a ferramenta PDF para texto do iSomor não faz OCR. Se estiver em dúvida, faça a extração mesmo assim; as páginas sem texto legível aparecem numa lista.
• O leitor pede senha ou avisa que a cópia não é permitida: o documento está protegido. Peça ao dono uma cópia sem proteção que você tenha permissão para processar.

Um documento pode misturar os dois tipos de página, como um relatório com algumas imagens de páginas assinadas. É normal que essas páginas não rendam texto.

Como converter um PDF em TXT, passo a passo?

Os passos abaixo usam a ferramenta PDF para texto do iSomor, que lê a camada de texto existente no seu navegador e permite conferir cada página antes de usar o texto.

1. Escolha um PDF. A ferramenta aceita um PDF com texto por vez, com até 20 MB e 200 páginas. Arquivos com mais de 200 páginas não são aceitos, mesmo que você precise só de algumas. O arquivo é processado no navegador e não é enviado.
2. Informe as páginas. Deixe o intervalo de páginas vazio para extrair todas ou digite um intervalo como 1-3, 5. Os números são posições no arquivo a partir de 1, contando a capa, então podem ser diferentes dos números impressos. Se você precisa de um capítulo só, extraia só esse capítulo e terá menos para conferir.
3. Confira página por página. Passe pelas páginas e compare cada uma com o original. Se algumas das páginas escolhidas não tiverem texto legível, os números delas aparecem numa lista, assim como as páginas em que o texto de camadas ocultas foi ignorado (como num leitor de PDF, o texto de camadas ocultas por padrão não é extraído). Se nenhuma das páginas escolhidas tiver texto legível, a ferramenta avisa que não há texto legível nas páginas selecionadas e não gera o TXT.
4. Copie ou baixe. Copie todo o texto extraído ou baixe um arquivo TXT. Tanto o texto copiado quanto o TXT trazem um caractere de quebra de página entre cada duas páginas, então os limites entre elas continuam visíveis. O TXT é salvo em UTF-8 com quebras de linha LF.

A ferramenta aceita até 200.000 caracteres por página e 1 milhão no total. Para documentos muito longos, converta em partes.

O que conferir no TXT antes de usar?

Deixe o PDF original aberto ao lado do texto e olhe primeiro estes pontos. É onde o texto extraído mais costuma dar problema, e cada um pede uma solução diferente.

O que conferir	Como aparece no TXT	O que fazer
Páginas vazias	Um número de página aparece na lista de páginas sem texto legível, ou um aviso diz que as páginas selecionadas não têm texto legível	Veja se a página é uma imagem. Não conclua que o arquivo está corrompido; o resto pode estar normal.
Ordem das colunas	Meia frase da coluna da esquerda emenda em meia frase da direita	Extraia um intervalo menor e compare com a página. Não apague as quebras de linha ainda; isso só esconde o problema.
Cabeçalhos, rodapés, números de página	Um título corrente ou número de página no meio de um parágrafo	Remova só as linhas que você confirmou na página. Um número sozinho numa linha pode ser o número de uma seção ou um dado.
Tabelas	As células viram uma sequência de palavras e números, às vezes em outra ordem	Reconstrua as linhas a partir do original antes de usar qualquer valor. Confira também cabeçalhos e unidades, não só os números.
Fórmulas e símbolos	Sobrescritos, frações, sinais de menos ou letras gregas achatados ou ausentes	Copie as fórmulas à mão a partir do original ou deixe uma referência à página.
Caracteres estranhos	Quadradinhos, pontos de interrogação ou letras erradas, embora o PDF pareça normal	Isso vem da codificação da fonte no arquivo. Limpar quebras de linha não resolve; procure outra exportação do documento.

O problema das colunas tem uma explicação própria. Se você está traduzindo em vez de extrair, a mesma causa faz artigos em duas colunas traduzidos ficarem fora de ordem, como mostra PDF em duas colunas traduzido ficou fora de ordem?.

Quando ajustar as quebras de linha?

Depois que a ordem estiver certa. O texto extraído costuma quebrar as frases no fim de cada linha impressa, e dá vontade de juntar tudo de uma vez. Mas se duas colunas ainda estiverem misturadas ou um rodapé ainda estiver no meio de um parágrafo, juntar linhas só cola os pedaços errados.

Com a ordem certa, juntar as quebras de linha simples dentro dos parágrafos e manter as linhas em branco entre eles costuma ser seguro. Títulos, listas e hifens no fim da linha precisam de atenção à parte. Em Por que o texto copiado de um PDF sempre fica bagunçado? você vê esses casos com exemplos reais de antes e depois, usando o Limpar texto do iSomor.

Quando o texto simples é o formato errado?

Texto simples é a escolha certa quando você quer palavras para reaproveitar. É a escolha errada quando o layout carrega significado: uma tabela que precisa ser lida linha a linha, uma figura com legenda ou uma fórmula no contexto.

Se o seu objetivo real é ler um PDF em outro idioma, converter para TXT e traduzir o texto joga esse contexto fora. O iSomor traduz o próprio PDF original com texto e mantém o layout da página sempre que possível, para você ler a tradução no lugar ou num PDF bilíngue com original e tradução lado a lado. O que permanece na página está explicado em O iSomor mantém o layout do PDF ao traduzir?.

Perguntas frequentes

Por que a ferramenta diz que não há texto legível?

Nenhuma das páginas escolhidas tem uma camada de texto que a ferramenta consiga ler, então nenhum TXT é gerado. Provavelmente são páginas digitalizadas ou salvas como imagem. Uma ferramenta de extração lê texto guardado; ela não reconhece palavras dentro de uma imagem. Se puder, peça um PDF exportado do documento original.

O TXT mantém o layout do PDF?

Não. O texto segue a ordem guardada no PDF, e só as quebras de linha simples são reconstruídas. Colunas, tabelas e notação matemática podem sair embaralhadas, e é por isso que as conferências acima importam.

Quais números de página devo digitar?

Posições no arquivo, a partir de 1 e contando a capa. Por exemplo, 1-3, 5 seleciona as três primeiras páginas e a quinta. Se uma página aparecer duas vezes no intervalo, ela é extraída uma vez só, na ordem em que você digitou.

Que símbolo estranho é esse entre as páginas?

O texto copiado e o TXT separam as páginas com um caractere de quebra de página. Dependendo do editor, ele fica invisível ou aparece como um pequeno símbolo ou como ^L. Você pode mantê-lo como marca de página ou apagá-lo.

Dá para converter em texto um PDF protegido por senha?

Com a ferramenta PDF para texto do iSomor, não. Ela não abre PDFs protegidos por senha nem documentos que não permitem cópia. Use uma cópia sem proteção que você tenha permissão para processar.