Como converter PDF em texto (extraia texto cru para editar e analisar)

Às vezes o PDF é exatamente o contêiner errado. Você não quer as fontes, as margens nem o layout em duas colunas — quer as palavras, como matéria-prima: para colar em um editor, passar por um script, contar, traduzir, pesquisar, alimentar uma análise. Converter PDF em texto puro remove tudo menos o conteúdo, e esse é precisamente o ponto.

Motivos típicos para fazer isso:

• Edição — retrabalhar cláusulas padrão de contrato ou texto de relatório sem brigar com editores de PDF.
• Scripts e análise — grep, frequências de palavras, pipelines de dados, alimentar documentos a ferramentas que comem texto puro.
• Tradução — a maioria dos fluxos de tradução quer texto limpo, não um documento estilizado.
• Acessibilidade e portabilidade — um .txt abre em qualquer coisa, até em uma máquina de 30 anos.

Uma nota antes de começar: o Extrair texto do pdfty é o mesmo motor — ambos puxam o texto embutido do PDF. Qualquer um dos dois que você achar primeiro dará as mesmas palavras; o PDF para TXT as devolve como um arquivo .txt para baixar.

Como converter PDF em texto — passo a passo

🔒 pdfty.com/en/tools/pdf-to-txt

O problema do escaneamento: quando não há texto para extrair

Esta é a surpresa mais comum na extração de texto de PDF. Um PDF pode conter seu texto de duas maneiras completamente diferentes:

1. PDFs digitais (exportados do Word, de um site, de um sistema de faturas) carregam uma camada de texto de verdade. A extração é instantânea e precisa.
2. PDFs escaneados (de um escâner ou da câmera do celular) contêm apenas fotos de texto. Não há literalmente nada para extrair — a saída virá vazia.

O conserto para escaneamentos é o OCR — reconhecimento óptico de caracteres — que lê os pixels e constrói uma camada de texto. Passe seu escaneamento pelo OCR primeiro e depois converta o resultado em texto. A precisão depende da qualidade do escaneamento.

Texto puro vs Word vs HTML — quanta estrutura você precisa?

Texto puro é uma ponta de um espectro. Escolha com intenção onde parar:

Regra prática: se você vai ler ou processar o conteúdo, pegue TXT. Se um humano precisa ver formatação, pegue Word ou HTML.

Alternativas locais gratuitas

Para trabalhos pontuais o navegador é mais rápido, mas se a extração faz parte do seu kit diário — ou os documentos não podem sair da sua máquina — estas rotas locais são sólidas:

pdftotext (poppler-utils — grátis, todas as plataformas). O padrão ouro da extração por linha de comando:

pdftotext input.pdf output.txt

Adicione -layout para aproximar as posições originais das colunas com espaços — genuinamente útil para texto tabular. Instala via Homebrew no macOS ou pelo gerenciador de pacotes no Linux.

Copiar e colar do visualizador. Para uma ou duas páginas, selecionar tudo no leitor de PDF e colar em um editor funciona. Espere limpar quebras de linha e uma coluna embaralhada ocasional.

Microsoft Word. O Word abre PDFs e os converte em documentos editáveis, dos quais você pode salvar como .txt. Mais lento, e ele rediagrama o documento no caminho — exagero quando você só quer texto cru.

Pegadinhas práticas

• O layout se foi — de propósito. Páginas multicoluna saem como texto linear, tabelas colapsam em linhas e caixas de texto caem onde estiverem no fluxo de conteúdo. Se as colunas se intercalarem mal, o pdftotext -layout ou o PDF para Word lidam melhor com layouts complexos.
• Cabeçalhos, rodapés e números de página se repetem. Cabeçalhos recorrentes aparecem uma vez por página na saída. Uma passada rápida de localizar-e-apagar (ou um script de uma linha) limpa tudo.
• Hifenização. Palavras divididas entre linhas em texto justificado («docu- mento») continuam divididas. Dá para consertar com localizar-e-substituir em «- » seguido de letra minúscula — imperfeito mas rápido.
• Ligaturas e símbolos. Tipografia rebuscada (fi, fl, aspas curvas) sai como os caracteres que o PDF de fato codifica — geralmente ok em UTF-8, às vezes vale uma passada de normalização antes da análise.
• Saída vazia ou embaralhada quase sempre significa escaneamento (OCR primeiro) ou, raramente, um PDF com codificações de fonte deliberadamente ofuscadas. Para o segundo caso, o OCR ironicamente também é o conserto: rasterize e leia os pixels.

Perguntas frequentes

Por que meu arquivo de saída está vazio?

Seu PDF é quase certamente um escaneamento — fotos de páginas, sem camada de texto. Passe-o pelo OCR primeiro e depois extraia. O teste de 5 segundos: se você não consegue selecionar texto em um visualizador, não há texto.

A saída mantém negrito, títulos e fontes?

Não — arquivos .txt não representam formatação nenhuma, então você recebe caracteres puros. Essa é a graça: nada para brigar ao editar ou automatizar. Para formatação, use o PDF para Word.

O que acontece com as tabelas?

Elas se achatam em linhas simples, e o alinhamento de colunas em geral se perde. Para tabelas com que você precisa trabalhar, o PDF para Excel foi feito exatamente para isso.

É o mesmo que a ferramenta Extrair texto?

Sim — o Extrair texto roda o mesmo motor. Ambos puxam o texto do documento; use o que achar primeiro.

Posso extrair texto de só algumas páginas?

Divida o PDF para as páginas de que precisa e depois converta. Mantém a saída focada e dentro do limite grátis de 50 páginas.

Funciona em um PDF protegido por senha?

Remova a senha antes com o Desbloquear (você precisa saber a senha), depois converta normalmente.

Meu documento está seguro?

Os uploads são só por HTTPS, não há conta, e os arquivos são apagados automaticamente após 1 hora. Para documentos que você não pode subir, o pdftotext roda totalmente offline.

Quais são os limites do plano grátis?

20 MB por arquivo, 50 páginas, 10 operações por dia — sem cadastro, sem marca d'água. O Pro (US$ 9/mês) remove os tetos.