Extrair texto de PDF
Extraia texto de PDF: leia diretamente a camada de texto e use OCR nas páginas que não a têm.
Adicione um PDF e escolha um intervalo de páginas. Cada página é verificada quanto à camada de texto: quando existe, o texto é extraído sem OCR; caso contrário, a página é renderizada como imagem para reconhecimento.
Deixe o intervalo vazio para processar todas as páginas. Combine intervalos e páginas avulsas, como 1-3,5. A numeração começa em 1 e deve estar dentro do número de páginas do documento.
Edite os resultados de cada página e copie ou salve como TXT todas as páginas ou a página selecionada. A ordem da camada de texto e as informações de fonte podem afetar o espaçamento e a ordem de leitura. A ferramenta não reconstrói a estrutura de tabelas.
Como usar
- Selecione um PDF e confira o número de páginas.
- Se quiser, informe um intervalo como 1-3,5 e inicie a extração.
- Revise cada página e escolha quais resultados copiar.
Começar com estas configurações →
O que conferir
O modo de OCR selecionado não é aplicado a páginas com camada de texto. No momento não há opção para ignorar essa camada e forçar o OCR.
Perguntas frequentes
PDFs de texto precisam de um modelo?
Páginas com camada de texto são extraídas diretamente com pdfjs-dist. Páginas sem ela exigem um mecanismo de OCR e os dados do idioma selecionado.
Posso deixar o intervalo de páginas vazio?
Sim. Um intervalo vazio significa todas as páginas. Um intervalo inválido é informado antes de o processamento começar.
Um PDF pode misturar páginas digitalizadas e páginas de texto?
A camada de texto é verificada separadamente em cada página. Somente as páginas sem ela passam pelo OCR.