Extrator de texto de PDF

Como usar

1. Solte um PDF no cartão, cole com ⌘V / Ctrl+V ou pressione “Escolher PDF”. O texto aparece na caixa de resultado página por página — não há botão Extrair. Copiar e baixar são liberados quando todas as páginas selecionadas terminam e o status fica verde.
2. Por padrão, cada linha do PDF continua sendo uma linha e os parágrafos são separados por uma linha em branco. Marque “Unir linhas em parágrafos” para juntar linhas quebradas: hífens no fim da linha são removidos, linhas em chinês e japonês se unem sem espaço e as demais se unem com um espaço. Trocar uma opção reorganiza o texto na hora, sem reler o PDF.
3. Digite páginas como “1-3, 5” para manter apenas essas páginas, na ordem em que você digitou; uma página listada duas vezes aparece uma vez. Vírgulas, sinais de enumeração chineses e vírgulas árabes são aceitos, assim como dígitos arábico-índicos, árabe-orientais e de largura total. Deixe a caixa vazia para todas as páginas. Marcadores como “--- 3 / 12 ---” mostram o número original da página e podem ser desativados.
4. Se o PDF precisar de senha, digite-a na linha que aparecer e pressione Enter. A senha só é usada para abrir o arquivo nesta aba.

Regras, limites e problemas conhecidos

• Nada é enviado: o PDF é lido com a File API e analisado por um Web Worker nesta aba. As únicas requisições de rede são arquivos deste próprio site — o mecanismo de PDF e o worker quando você adiciona o primeiro arquivo, mapas de caracteres para alguns PDFs em chinês, japonês e coreano, e o exemplo quando você solicita. Nada é armazenado, e recarregar começa do zero.
• Sem OCR. Documentos digitalizados, PDFs feitos a partir de capturas de tela e texto dentro de imagens não podem ser extraídos; essas páginas são informadas como sem camada de texto.
• A ordem de leitura segue a estrutura interna do PDF. Layouts em várias colunas, tabelas, cabeçalhos, rodapés e notas de rodapé podem ficar intercalados ou sair em ordem diferente da que você vê; não há análise de layout.
• Tabelas saem apenas como texto de células. O alinhamento das colunas é perdido e células da mesma linha podem se juntar.
• Unir linhas em parágrafos é uma heurística baseada no espaçamento entre linhas, no tamanho da fonte e em hífens no fim da linha. Um hífen que realmente pertence a uma palavra composta pode ser removido quando cai no fim da linha, e um título ocasionalmente pode ser unido ao texto abaixo.
• Se uma fonte não tiver mapeamento Unicode, o texto sai embaralhado ou vazio. Isso é uma propriedade do PDF; copiar de um leitor de PDF costuma falhar da mesma forma.
• Ligaduras em árabe: alguns produtores de PDF (por exemplo, com certas fontes de sistema do macOS) mapeiam um glifo de ligadura para vários caracteres, então as letras dentro dele podem sair invertidas (لا vira ال). A ferramenta não tenta adivinhar uma correção, para nunca alterar um texto correto.
• Texto vertical é emitido na ordem interna do PDF; a ordem de leitura vertical não é garantida.
• Se o autor restringiu a cópia, a ferramenta ainda extrai o texto e mostra um aviso. Verifique se você tem o direito de usá-lo.
• Senhas: somente a senha de abertura (do usuário) é suportada. Ela é usada para abrir o documento nesta aba, nunca é salva e a criptografia do PDF não é removida.
• Limites: um PDF por vez, 50 MB e 2.000 páginas. Arquivos maiores são rejeitados com o tamanho ou a contagem real de páginas. Arquivos acima de 20 MB ou 300 páginas mostram um aviso de “pode demorar”.
• A contagem de caracteres conta grafemas e ignora marcadores de página e quebras de linha. Não há contagem de palavras para chinês ou árabe; cole o resultado no contador de caracteres e palavras para estatísticas detalhadas.