Extrair texto de PDF online

Extraia a camada de texto de um PDF ou reconheça o texto de páginas digitalizadas com OCR e salve-o como texto simples.

Idioma do OCR:

Para PDFs digitalizados, escolha o idioma do documento antes de enviar. Se mudar depois, o arquivo atual será lido novamente.

Escolha o arquivo PDF ou arraste e solte aqui

Extrai texto e oferece OCR para PDFs de imagem digitalizados

🔤

Decodificação de fontes com CMap

Usa os mapas de caracteres (CMaps) do PDF.js para decodificar muitas fontes do Leste Asiático e com codificação personalizada. PDFs com dados de fonte incompletos ainda podem gerar caracteres incorretos.

👁️

OCR para páginas digitalizadas

Páginas quase sem texto extraível são lidas com o OCR do Tesseract.js. A precisão depende da qualidade da digitalização, do idioma e do layout.

🔒

Processamento no navegador

Os documentos são analisados localmente na memória do navegador.

Como usar

A ferramenta primeiro lê a camada de texto armazenada no PDF. Quando uma página quase não tem texto, como em um documento digitalizado, ela é renderizada como imagem e reconhecida com OCR no seu navegador. O mecanismo de OCR e os dados de idioma são baixados de leedybox.com na primeira vez que o OCR é usado; o seu PDF não é enviado.

Escolha o idioma do OCR antes de adicionar o arquivo, para que as páginas digitalizadas sejam lidas com o alfabeto certo. Ele já vem definido para o idioma desta página.
Clique na área de upload ou arraste um arquivo PDF para ela. A extração começa na hora e percorre as páginas uma a uma.
Páginas com camada de texto são lidas diretamente. Uma página quase sem texto, como uma digitalização, é desenhada como imagem e reconhecida com OCR, o que leva mais tempo; a barra de progresso mostra qual página está sendo lida.
Confira o resultado na caixa de texto. Cada página começa com uma linha como --- Página 1 ---.
Clique em “Copiar texto” ou “Salvar como .TXT” para guardar o resultado, ou em “Alterar arquivo” para ler outro PDF.

Perguntas frequentes

Por que o texto extraído às vezes aparece embaralhado?

Alguns PDFs armazenam caracteres com codificações de fonte personalizadas. A LeedyBox carrega tabelas CMap para decodificar muitas delas, mas fontes sem um mapeamento Unicode correto ainda podem gerar caracteres errados. Compare o resultado com o documento original.

Funciona com documentos digitalizados?

Sim. Quando uma página quase não tem camada de texto, o mecanismo de OCR integrado Tesseract.js reconhece os caracteres na imagem da página. Escrita à mão, digitalizações de baixa resolução, fontes incomuns e idiomas não incluídos na configuração de idioma do OCR reduzem a precisão.

Tabelas e colunas mantêm o layout?

Não exatamente. O resultado é texto simples, então tabelas, colunas e caixas de texto são transformadas em linhas, e a ordem de leitura pode ser diferente do que você vê na página.

Meu PDF é enviado para algum lugar?

Não. O texto é lido no seu navegador. Quando uma página precisa de OCR, o mecanismo de OCR e seus dados de idioma são baixados de leedybox.com, mas o seu PDF não é enviado para lugar nenhum.

Qual idioma de OCR escolher para um documento em dois idiomas?

Escolha a opção com o idioma principal do documento; todas as opções, exceto “Somente inglês”, também reconhecem inglês. Textos em um idioma não selecionado costumam ser lidos com caracteres errados.

Por que o OCR é lento?

Depois que o mecanismo de OCR e os dados de idioma são baixados, cada página digitalizada é reconhecida uma de cada vez no seu navegador. Em um aparelho lento, uma página pode levar vários segundos ou mais, então um documento digitalizado longo exige paciência.