Copiar o texto de um PDF que não se deixa copiar
Publicado em · Atualizado em 2 min de leitura
Você quer pegar o texto de um PDF e a seleção com o mouse não funciona, ou dá letras em desordem. Tudo depende do que o documento realmente contém: texto, ou apenas imagens de texto. A extração não dá o mesmo nos dois casos.
Texto real ou imagem de texto
Abra o PDF e tente selecionar uma palavra. Se a seleção funciona, o documento contém texto real. Se não, suas páginas são imagens, como as de uma digitalização: para o computador, é uma foto, não letras.
O que a ferramenta faz
PDF para texto lê diretamente o texto real e aplica um reconhecimento de caracteres às páginas que não o têm, isto é, «lê» a imagem para encontrar as letras. O resultado é um arquivo de texto com uma marca antes de cada página: «--- Page 1 [native] ---» para um texto real, «--- Page 1 [ocr] ---» para uma página reconhecida. Para um relatório de dez páginas, o arquivo tem cerca de 5 KB.
Uma página em duas colunas
A ferramenta lê as linhas em toda a largura da página. As linhas das duas colunas se misturam, portanto: esquerda e direita se encadeiam linha após linha. Uma palavra cortada no fim da linha continua cortada, por exemplo «com» e depois «eçado», e o hífen desaparece. As células de uma tabela chegam em uma só linha, separadas por espaços.
Uma página digitalizada
Uma página transformada em imagem não tem mais texto real. O reconhecimento leva alguns segundos por página e recupera o texto, a palavra cortada e as linhas de uma tabela, com as mesmas colunas misturadas. O motor está ajustado para o francês: outro idioma pode ser reconhecido pior, e a nitidez da digitalização pesa muito no resultado.
Reler antes de usar
- Confira os nomes próprios, os números e os acentos.
- Localize as mudanças de coluna.
- Para manter a diagramação, converta antes o PDF em imagens.
- Guarde o PDF original.
Para quais documentos
Um contrato digitalizado, uma fatura recebida como imagem, um artigo cuja seleção não funciona ou um relatório do qual você quer aproveitar alguns parágrafos: a extração dá um arquivo de texto para copiar em outro lugar.
Perguntas frequentes
- Como saber se meu PDF contém texto real?
- Tente selecionar uma palavra. Se a seleção funciona, o texto é real. Se não, as páginas são imagens, como as de uma digitalização.
- A ferramenta consegue ler um PDF digitalizado?
- Sim, ela aplica um reconhecimento de caracteres às páginas sem texto. O motor está ajustado para o francês, e a nitidez da digitalização pesa muito.
- Por que as duas colunas se misturam?
- A ferramenta lê as linhas em toda a largura da página, então as colunas se misturam. Para manter a diagramação, converta antes o PDF em imagens.
- O que significam «[native]» e «[ocr]» no resultado?
- «[native]» indica um texto real e «[ocr]» uma página reconhecida a partir de uma imagem. A segunda exige uma releitura mais atenta.