Não consegue copiar o texto de um PDF? Quatro motivos e soluções

Você arrasta o cursor por cima de um parágrafo e nada fica marcado. Ou fica, mas o Copiar está desativado. Ou você cola e aparece uma fileira de símbolos com cara de arquivo corrompido. Ou as palavras chegam certinhas, só que cada linha termina com uma quebra forçada. Cada situação tem uma causa, e uma solução diferente.

Descubra qual é o seu caso

• O clique seleciona a página inteira como um bloco, ou não seleciona nada: a página é uma imagem, geralmente uma digitalização.
• O texto fica marcado, mas o Copiar está cinza ou o leitor avisa que copiar não é permitido: o arquivo tem restrições de permissão. Nas propriedades do documento, na parte de Segurança, isso costuma aparecer.
• A cópia funciona, mas o que você cola é um monte de caracteres sem sentido: é um problema de fonte dentro do PDF.
• O texto colado está certo, mas a formatação veio toda picada.

É uma página digitalizada

O escâner produz uma foto do papel. Você lê as palavras, mas o arquivo só conhece pixels, então não há o que selecionar nem pesquisar. O OCR lê as letras da imagem e acrescenta uma camada de texto invisível atrás de cada página. A página continua com a mesma aparência, e agora dá para selecionar, copiar e pesquisar.

Um aviso para quem trabalha com documentos em português: o nosso OCR só lê inglês. As letras sem acento costumam sair bem, mas ç, ã, õ e as vogais acentuadas tendem a sumir ou ser trocadas por outro caractere. E uma digitalização nítida, reta e com bom contraste rende muito mais que uma foto de celular torta. Em qualquer caso, revise nomes e números.

O arquivo bloqueia a cópia

Um PDF pode ter dois tipos de senha. Uma impede que o arquivo abra. A outra, a senha de permissões, deixa qualquer um abrir, mas manda o leitor bloquear cópia, impressão ou edição. É ela que deixa o Copiar acinzentado.

Se o documento é seu, ou o dono te autorizou a reaproveitar o texto, passe o arquivo no Desbloquear PDF. Como ele abriu sem pedir senha, deixe o campo de senha em branco: um arquivo que só tem restrições de permissão desbloqueia assim, e você recebe uma cópia sem a proteção. Se mesmo assim a ferramenta pedir senha, peça a quem mandou uma versão sem restrições. Em relatório pago ou prova de concurso, a trava costuma estar ali de propósito.

O texto colado vira um monte de símbolos

Dentro de um PDF, o texto é guardado como códigos que apontam para desenhos numa fonte incorporada. Para transformar esses códigos em letras de novo, o leitor precisa de uma tabela de correspondência dentro do arquivo. Alguns programas deixam essa tabela de fora ou usam uma codificação própria, e aí a página aparece perfeita na tela enquanto a cópia te entrega os códigos crus. Trocar de leitor quase nunca ajuda, porque a informação simplesmente não está no arquivo.

O OCR contorna isso, porque lê o desenho das letras e não os códigos. Mas tem um porém. O nosso OCR pula as páginas que já têm texto, para não duplicar nada, e uma página cheia de símbolos conta como página com texto. Você precisa transformar as páginas em imagens puras antes:

1. Converta o PDF para PNG em Alta (300 DPI).
2. Junte esses PNGs num PDF com o PNG para PDF, adicionando na ordem das páginas.
3. Passe o arquivo novo pelo OCR em PDF.

O resultado é um PDF com cara de digitalização e uma camada de texto decente. Ele fica maior que o original e o texto deixa de ser vetorial, então guarde o original para leitura e use a cópia com OCR para copiar.

O texto está certo, mas as quebras de linha não

O PDF não sabe o que é parágrafo. Ele guarda linhas posicionadas na página, então, ao copiar, cada linha termina com uma quebra, e a palavra hifenizada entre duas linhas continua com o hífen. Copiar uma dúzia de páginas assim dá um trabalho enorme de seleção.

O PDF para Texto junta o texto de todas as páginas num único .txt, com uma linha em branco entre elas. As quebras continuam lá, mas você só limpa uma vez. No Word, abra Substituir, marque Usar caracteres curinga e troque ([a-zçãõáéíóúâêôà,])^13 por \1 seguido de um espaço. Isso junta as linhas que terminam em letra minúscula ou vírgula, e a lista inclui as letras acentuadas para não deixar de fora finais como “não” ou “você”. Os fins de parágrafo de verdade, que terminam em ponto, ficam como estão.

Perguntas comuns

Por que a busca não acha palavras que eu estou vendo na página?

As causas são as mesmas da cópia. Numa digitalização não há texto para pesquisar, e num arquivo com a fonte quebrada a busca procura letras que estão guardadas como outros códigos. Depois do OCR, a busca funciona normalmente, com a ressalva de que palavras acentuadas podem ter sido lidas errado.

Posso tirar a restrição de cópia de um PDF?

Dos seus próprios arquivos, sim. Dos arquivos de outra pessoa, só com autorização dela, e o mais simples costuma ser pedir uma cópia sem restrições. A nossa ferramenta de desbloqueio não adivinha nem quebra senhas. Ela trabalha com a senha que você já tem.