PDF para TXT

Extraia a camada de texto de um PDF e salve como arquivo .txt simples, com a ordem de leitura e as colunas intactas.

Solte seus arquivos aqui

.pdf · até 300 MB

Escolher arquivos

Parágrafos contínuosManter o layout da página

Mais configurações

PáginasMarcar quebras de páginaUnir palavras quebradas com hífenCodificação

Como Extrair texto

1
Adicione seu PDF
Solte um arquivo ou até vinte. O documento é aberto pelo seu próprio navegador, então nada trafega pela rede.
2
Escolha texto corrido ou layout preservado
O modo corrido reconstrói os parágrafos para leitura e edição; o preservado deixa cada palavra onde ela está na página, com espaços e tudo.
3
Baixe o .txt
Clique no botão e salve o arquivo. Um lote de PDFs volta como um único ZIP com os arquivos de texto.

A ordem de leitura vem da página, não do arquivo

Um PDF guarda o texto como milhares de fragmentos posicionados, desenhados na ordem que o programa que gerou o arquivo resolveu usar. Lidos nessa ordem bruta, eles transformam um artigo em duas colunas em meias frases alternadas. Esta ferramenta ignora a ordem do arquivo e reconstrói a página: os fragmentos são agrupados em linhas pela linha de base, as linhas são agrupadas em colunas pelas faixas vazias que descem pela página, e as colunas são lidas da esquerda para a direita. Um parágrafo termina onde o espaço vertical passa do espaçamento normal entre linhas, e as palavras divididas com hífen no fim da linha voltam a ficar inteiras. O resultado é um texto que você pode colar em um e-mail, em um tradutor ou em um script sem precisar limpar antes.

Layout, codificação e intervalos de páginas

O layout corrido serve para leitura: um parágrafo por bloco, sem quebras de linha irregulares. O layout preservado mantém a geometria original preenchendo com espaços, que é o que você quer para recibos, listagens, código e tudo em que as colunas têm significado. A saída é UTF-8 por padrão, com uma variante com BOM para ferramentas antigas do Windows e uma opção Windows-1251 para sistemas legados em cirílico; se caracteres demais não couberem nessa página de código, você fica sabendo antes de o arquivo ser gravado, e não depois. As marcas de quebra de página podem ser desligadas, e dá para extrair um intervalo como 1-3, 5 em vez do documento inteiro.

O documento nunca sai do seu dispositivo

A extração roda dentro da aba do navegador: o PDF é analisado na memória, o texto é montado ali mesmo, e o .txt vai direto para a sua pasta de downloads. Nada é enviado, nada entra em fila em um servidor, e não existe cópia para alguém excluir depois. Feche a aba e tudo desaparece, e é isso que torna seguro usar a ferramenta com contratos e prontuários médicos.

Perguntas frequentes

Por que não sai nada do meu PDF digitalizado?

Porque um documento digitalizado é uma imagem do texto, não texto. Não existe camada de texto para extrair, então aparece uma mensagem clara com um link para a ferramenta OCR PDF, que lê as letras da imagem e torna o documento pesquisável. Depois disso, a extração funciona normalmente.

Qual a diferença entre texto corrido e layout preservado?

O modo corrido junta as linhas de volta em parágrafos e descarta as quebras de linha originais, o melhor para ler e editar. O preservado mantém cada palavra na sua posição na página usando espaços, o melhor para tabelas, recibos e listagens de largura fixa.

Como ficam as colunas e as tabelas?

As colunas são detectadas pelo espaço vazio entre elas, então a coluna da esquerda é lida inteira antes de começar a da direita. As linhas das tabelas continuam inteiras: uma grade de células estreitas nunca é confundida com colunas, então as células de uma mesma linha da tabela ficam juntas em uma única linha do texto.

As palavras quebradas com hífen no fim da linha são corrigidas?

Sim, no layout corrido. Uma palavra dividida como infor- no fim de uma linha e mação no começo da seguinte volta a ser informação. Hífens de verdade dentro das palavras, como em guarda-chuva, ficam como estão.

Funciona com cirílico, árabe e chinês?

Sim. O texto é gravado em UTF-8, então todas as escritas que o PDF contém chegam intactas, incluindo cirílico, grego, árabe, hebraico, japonês, coreano e chinês. O Windows-1251 só é oferecido para fluxos de trabalho legados em cirílico que precisam dele.

O que acontece com a formatação?

Ela se perde, porque um arquivo .txt não tem formatação. Negrito, cores, tamanhos de fonte, imagens e tabelas não sobrevivem. Se quiser manter títulos, listas e links como estrutura, converta para Markdown, ou para Word se precisar de um documento editável completo.

Meu arquivo é enviado para um servidor?

Não. Todo o trabalho roda no seu navegador, com um mecanismo de PDF próprio. O arquivo não é enviado para lugar nenhum, a ferramenta funciona sem cadastro e continua funcionando se a conexão cair no meio de um documento grande.

Qual o tamanho máximo do PDF para extrair o texto?

Até 2 GB por arquivo e até vinte arquivos de uma vez. As páginas são processadas uma por uma e nada é renderizado, então um documento de quinhentas páginas cabe com folga em algumas centenas de megabytes de memória.