Como extrair texto de um PDF, e por que alguns PDFs não devolvem nada

Dois PDFs podem parecer idênticos no visualizador e se comportar de forma completamente diferente quando você tenta tirar as palavras deles. Um entrega todas as frases. O outro não entrega nada, e nenhuma configuração muda isso. A diferença é invisível na tela, então vale a pena entendê-la antes de culpar a ferramenta.

Camada de texto e OCR: as definições

Camada de texto é o conjunto de caracteres que um PDF guarda como texto, cada um com uma posição na página. Selecionar uma palavra, buscar com Ctrl+F ou Cmd+F e extrair texto: tudo isso lê a camada de texto e nada mais. Um PDF exportado de um editor de texto ou de um navegador tem uma, porque o software sabia qual era cada caractere quando gravou o arquivo.

OCR, reconhecimento óptico de caracteres, é a tarefa separada de descobrir quais caracteres aparecem na imagem de uma página. Um scanner ou a câmera do celular produz uma imagem, então um PDF escaneado tem páginas, mas não tem camada de texto, e a extração não devolve nada até que algo tenha feito o OCR. Esta ferramenta não faz OCR. Reconhecer glifos a partir de pixels é uma operação diferente, com um download muito maior, e a página da ferramenta lista isso entre o que ela não faz.

O teste mais rápido nem precisa de ferramenta: abra o PDF e tente selecionar uma única palavra. Se não conseguir, a página quase certamente é uma imagem.

PDF to text, passo a passo

1. Abra o PDF to text e escolha Add a PDF (adicionar um PDF), ou solte o arquivo na página. Cada página aparece como miniatura. Um arquivo protegido por senha pede a senha primeiro.
2. Pressione o botão PDF to text. Não há configurações para escolher.
3. Leia a primeira página do resultado na caixa antes de qualquer outra coisa. Ela mostra na hora se o documento tem camada de texto e se a ordem corresponde à ordem de leitura. Depois, use Copy (copiar) para copiar o texto ou Download para baixá-lo como document.txt.

Como o resultado aparece

A ferramenta lê o texto de cada página na ordem em que o arquivo o lista, junta os trechos com espaços simples e começa a página seguinte depois de uma linha em branco. As quebras de linha dentro da página não são mantidas, então cada página chega como um único parágrafo longo. É um bom formato para buscar, citar ou colar em algo que vai reorganizar o texto, e um formato ruim para qualquer coisa em que as quebras de linha têm significado, como um bloco de endereço.

Não há limite de páginas. Um relatório de 300 páginas é a mesma operação que um recibo; a única diferença é quanto tempo o seu próprio processador leva.

Por que alguns PDFs não devolvem nada, e outros devolvem uma bagunça

O que você adiciona	O que você recebe	Por quê
Um documento exportado de um editor de texto ou navegador	O texto, um bloco por página	Ele tem camada de texto
Um artigo em duas colunas com cabeçalho corrido	Todas as palavras, com as colunas parcialmente misturadas	A extração segue a ordem interna do arquivo, não a visual
Um documento escaneado	Nada	Cada página é uma imagem sem camada de texto, e a ferramenta não faz OCR
Um PDF feito de fotos com o Images to PDF	Nada	Essa ferramenta desenha imagens nas páginas e não adiciona texto
Um PDF reduzido com a opção Strong ou Smallest do Compress PDF	Nada	As duas renderizam cada página como JPEG e a reinserem, então a camada de texto desaparece
Um PDF protegido por senha	Um pedido de senha, depois o texto	O conteúdo fica criptografado até o arquivo ser aberto

O escaneado é o caso em que as pessoas esbarram. Não há nada de errado com o arquivo nem com o extrator: não existe texto ali, só imagens de texto. Quando nenhuma página tem texto algum, a ferramenta avisa: informa que nenhum texto foi encontrado, aponta um escaneamento como causa provável e diz que não faz OCR. Até outubro de 2026, ela devolvia uma caixa vazia sem explicação, que é exatamente a confusão que este guia existe para desfazer. As duas linhas seguintes da tabela são a mesma falha, feita de propósito. Um documento que passou por um compressor que rasteriza é, para qualquer extrator, um escaneado, e essa é a troca descrita na nossa medição da compressão de PDF sem perda.

A mistura de colunas é o problema mais sutil. Ordem de leitura é a sequência em que uma pessoa lê as palavras, e um PDF não a registra. Ele guarda glifos com coordenadas, e o parágrafo que você vê é algo que o seu olho monta. A maioria dos programas que geram PDF lista o texto na ordem de leitura, então a maioria dos arquivos sai bem. Num layout de duas colunas, as colunas costumam se misturar, e textos de cabeçalhos, rodapés ou caixas flutuantes podem aparecer em qualquer ponto do fluxo. Não existe correção geral confiável sem análise de layout, e nenhuma biblioteca que roda no navegador implementa isso.

Se o PDF for um escaneado

Você precisa de OCR, e este site não oferece. Se o software de OCR que você usa pede imagens em vez de PDF, renderize as páginas com o PDF to JPG a 300 dpi, que é a resolução que essa ferramenta recomenda para OCR.

Texto, não um documento do Word

O mesmo raciocínio explica por que não existe “PDF para Word” aqui. Recuperar colunas, tabelas e títulos significa deduzir uma estrutura que nunca foi registrada. Toda ferramenta gratuita que promete fazer isso devolve um bloco corrido de texto com as tabelas destruídas, ou seja, o mesmo texto com uma extensão de arquivo enganosa. Esta ferramenta entrega o texto e diz o que ele é.

Outras formas de fazer

Não há método nativo de desktop na lista que verificamos. Na linha de comando, o pdftotext do poppler resolve:

pdftotext -layout input.pdf output.txt

Ele lê a mesma camada de texto, então um escaneado também não devolve nada para ele.

Como confirmar que nada foi enviado

Adicione o PDF e espere as miniaturas aparecerem, que é quando a página busca o código que lê PDFs. Depois, desconecte-se da rede e pressione o botão. A extração continua funcionando, porque acontece na aba.

Extraia o texto com o PDF to text. Se quiser as quebras de página marcadas, o PDF to Markdown faz a mesma extração e coloca um título antes de cada página.