Como extrair texto de um PDF (inclusive escaneado)

Tirar um parágrafo de um PDF parece simples, mas nem todo PDF guarda as palavras do mesmo jeito. Num arquivo digital, elas são caracteres de verdade: dá para selecionar, copiar e pesquisar. Já um PDF escaneado guarda fotos de páginas. Para você, o conteúdo continua parecendo texto; para o computador, é apenas uma imagem. O primeiro tipo permite a extração direta; no segundo, é preciso usar OCR para reconhecer as letras antes de extrair o texto.

Extrair o texto para um arquivo .txt

1. Abra a ferramenta PDF para texto e envie o seu arquivo.
2. A opção de OCR vem desligada por padrão. Deixe assim para um PDF digital; ative somente se o arquivo for escaneado, fotografado ou não permitir selecionar as palavras.
3. Baixe um único arquivo .txt com o texto de todas as páginas.

Como saber se o OCR é necessário

Abra o PDF e tente selecionar uma frase. Se der para marcar e copiar cada palavra, o arquivo já tem texto de verdade. Nesse caso, mantenha o OCR desligado: a extração direta é mais rápida e aproveita os caracteres originais, sem tentar adivinhar o que está escrito.

Se o cursor selecionar a página inteira como uma imagem — ou não selecionar nada —, ative o OCR. Ele lê as letras na imagem antes de montar o arquivo de texto. Páginas nítidas, retas e com bom contraste dão os melhores resultados; fotos desfocadas, letra à mão, impressão apagada e fontes incomuns aumentam a chance de erro.

Texto puro, Word ou Markdown: qual escolher

• Texto puro é a escolha mais limpa quando você só precisa das palavras: para pesquisar no conteúdo, colar em outro app, usar num script ou preparar material para uma ferramenta de IA. Ele descarta de propósito fontes, imagens, colunas e tabelas.
• Word faz mais sentido se você quer editar o documento e preservar o máximo possível do layout original.
• Markdown fica no meio do caminho: continua legível como texto puro, mas mantém uma estrutura leve, com títulos, listas, links e tabelas simples.

Por que o texto extraído às vezes vem bagunçado

O PDF foi feito para posicionar cada elemento em coordenadas exatas na página, não para registrar a ordem em que o documento deve ser lido. Por isso, num relatório em duas colunas, o texto pode sair alternando entre as duas, o cabeçalho pode cair no meio de um parágrafo e cada linha impressa pode virar uma linha separada no TXT. Texto puro não reproduz o desenho da página. Se essa estrutura for importante, Word ou Markdown costuma ser uma saída melhor.

Perguntas frequentes

Dá para extrair o texto de apenas algumas páginas?

Dá. Primeiro, separe ou extraia as páginas desejadas para um PDF menor. Depois, passe esse novo arquivo pela ferramenta PDF para texto. O TXT terá somente aquelas páginas e ficará mais fácil de usar.

Extrair o texto altera o PDF original?

Não. A ferramenta apenas lê o PDF e cria um .txt separado para você baixar. Ela não edita nem substitui o arquivo enviado e, mesmo quando o OCR é usado na extração, não adiciona uma camada de OCR ao PDF original.