Arquivos · ferramenta

OCR e extração de texto de PDF

Extraia texto selecionável de um PDF ou reconheça texto em páginas digitalizadas. Escolha um arquivo, processe localmente e baixe uma nova cópia.

Funciona no seu navegador. Nada é enviado.

PDFs com texto não precisam de OCR.

Sobre esta ferramenta

OCR e extração de texto de PDF sem complicação.

Extraia texto selecionável de um PDF ou reconheça texto em páginas digitalizadas. O arquivo fica no dispositivo; navegador e aparelho têm limites.

Guia

Usando OCR e extração de texto de PDF

Esta página extrai o texto de um PDF. Se uma página já tem texto selecionável, a página o copia diretamente. Se uma página é só uma imagem, como em uma digitalização, a página executa o reconhecimento óptico de caracteres, ou OCR, para ler as letras da imagem. Você escolhe o idioma do texto impresso e as páginas a ler, pressiona um botão e copia o texto. O PDF é aberto e lido no seu próprio dispositivo. O resultado é só texto simples. A página não cria um novo PDF pesquisável, não mantém o layout nem lê bem a escrita à mão.

Como usar

  1. Pressione a caixa de arquivo em Escolher um PDF digitalizado e selecione um PDF do seu dispositivo.
  2. Abra Idioma do texto e escolha o idioma impresso nas páginas. Só um idioma pode ser usado em cada execução, e isso importa apenas para páginas que são imagens.
  3. Em Páginas para digitalizar, deixe a palavra all ou digite páginas como 1-3,5. Os números devem estar entre 1 e a última página do arquivo.
  4. Pressione Extrair texto / OCR. Aparece uma barra de progresso e a linha de status conta as páginas, por exemplo Lendo página 1 de 3. Uma página digitalizada precisa que um arquivo de idioma seja baixado primeiro, então a primeira execução pode demorar mais.
  5. Leia a caixa Texto extraído. Cada página começa com uma linha como --- Page 1 ---, e as páginas são separadas por uma linha em branco.
  6. Pressione Copiar texto para colar no seu próprio editor, ou pressione Baixar TXT para salvar o texto como arquivo simples. Pressione Limpar para recomeçar.

Exemplos resolvidos

Um PDF que já tem texto selecionável

Você informa
Pdf
1 página com linhas de texto: Notas da reunião do clube de jardinagem / A próxima reunião é na terça-feira à noite
Idioma
Inglês
Páginas
todos
Você obtém
Texto
--- Página 1 --- Notas da reunião do clube de jardinagem A próxima reunião é na terça-feira à noite

O texto foi tirado direto do arquivo, sem OCR. As duas linhas foram unidas com um espaço, então as quebras de linha se perdem em páginas que usam texto próprio.

Não calculado pela ferramenta. Considere como ilustração.

Uma página digitalizada lida com OCR

Você informa
Pdf
1 página que é apenas uma imagem das palavras Fatura 2026 / Total a pagar 45 euros
Idioma
Inglês
Páginas
todos
Você obtém
Texto
--- Página 1 --- Fatura 2026 Total a pagar 45 euros

Nenhum texto pôde ser selecionado, então a página foi desenhada como imagem e lida por OCR. Esta imagem de teste tinha letras limpas e grandes. As digitalizações reais são mais bagunçadas, então sempre confira o resultado.

Não calculado pela ferramenta. Considere como ilustração.

Um arquivo que mistura digitalizações e texto real

Você informa
Pdf
3 páginas: uma imagem de texto, uma página com texto real, uma imagem de texto
Idioma
Inglês
Páginas
todos
Você obtém
Texto
--- Página 1 --- Fatura 2026 Total a pagar 45 euros --- Página 2 --- Esta página tem texto real selecionável dentro dela --- Página 3 --- Olá mundo digitalizado Segunda linha aqui

A página 2 tinha texto próprio, então foi copiada diretamente. As páginas 1 e 3 foram lidas por OCR. O resultado mantém a ordem original das páginas.

Não calculado pela ferramenta. Considere como ilustração.

O idioma errado perde os acentos

Você informa
Pdf
1 página digitalizada mostrando Camión rápido / El niño está aquí
Idioma a
Inglês
Idioma b
Espanhol
Você obtém
Inglês
Camion rapido El nino esta aqui
Espanhol
Camión rápido El niño está aquí

Com o modelo em inglês, os acentos se perderam. As letras erradas exatas podem mudar com a imagem e a fonte. Com o modelo em espanhol, o texto saiu certo. Escolha o idioma que corresponde à página impressa.

Não calculado pela ferramenta. Considere como ilustração.

Escolher páginas com um intervalo

Você informa
Pdf
4 páginas
Páginas
3, 1-2
Você obtém
Páginas lidas
1, 2, 3
Página ignorada
4

Os números são colocados em ordem e qualquer repetição é unida. A página 4 não é lida. Um número fora do arquivo, como 0-2 ou 2-9 para um arquivo de 4 páginas, dá a mensagem Escolha números de página de 1 a 4.

Calculado com o próprio código da ferramenta.

Um arquivo com mais de 120 páginas

Você informa
Pdf
121 páginas
Páginas
1-3
Você obtém
Status
Por segurança, esta ferramenta aceita até 120 páginas por vez. Use o intervalo de páginas para processar uma seção menor.

A quantidade de páginas do arquivo inteiro é verificada antes de o intervalo ser usado. Por isso um arquivo de 121 páginas é recusado mesmo quando você pede três páginas. Um arquivo de 120 páginas com o intervalo 119-120 funcionou.

Calculado com o próprio código da ferramenta.

Quando ajuda

  • Copie as palavras de uma carta digitalizada, de um formulário ou de uma página impressa para um e-mail ou documento.
  • Obtenha o texto de um artigo ou capítulo de livro digitalizado para poder pesquisar nele ou citá-lo.
  • Extraia o texto de um PDF que não deixa selecionar palavras com o mouse.
  • Transforme algumas páginas de um contrato ou relatório digitalizado em texto que você possa ler em uma tela pequena.
  • Leia um material digitalizado em um dos 16 idiomas oferecidos na página.
  • Leia apenas um capítulo de um livro digitalizado longo digitando o seu intervalo de páginas.

Limites a ter em mente

  • Os idiomas do OCR são inglês, espanhol, francês, alemão, português, árabe, chinês simplificado, japonês, coreano, hindi, bengali, russo, urdu, turco, vietnamita e indonésio. Só um pode ser escolhido por execução, e a página não consegue detectar o idioma sozinha.
  • O arquivo inteiro pode ter no máximo 120 páginas, mesmo que você peça menos com um intervalo de páginas. Para um arquivo mais longo, divida-o antes com uma ferramenta de PDF.
  • Uma página é tratada como texto real apenas se tiver mais de 20 caracteres selecionáveis. Qualquer outra página é desenhada como imagem e lida por OCR, mesmo que haja alguns caracteres soltos nela.
  • As páginas são desenhadas em até 1.7 vez o tamanho delas e com no máximo cerca de 1,800 pixels de largura antes da leitura, então letras muito pequenas, tinta fraca, colunas, tabelas e escrita à mão costumam ser lidas errado.
  • O resultado é só texto simples. Layout, imagens, tabelas e fontes não são mantidos, páginas baseadas em texto saem sem quebras de linha e nenhum PDF pesquisável é criado.
  • Pressionar Cancelar interrompe a leitura depois da página em andamento. O texto das páginas já lidas é mantido, e você pode pressionar Extrair de novo.

Dicas

  • Tente primeiro uma ou duas páginas digitando um intervalo como 1-2. Confira o idioma e a qualidade e depois execute o arquivo inteiro.
  • Escolha o idioma do texto impresso, não o idioma da sua tela. Uma escolha errada perde acentos e lê letras de forma errada.
  • Use uma digitalização reta, nítida e bem iluminada. Páginas tortas, borradas ou com sombra dão um texto pior.
  • Confira o resultado com a página, principalmente em números, datas, nomes e valores, em que um dígito errado importa.
  • Divida um arquivo longo em partes com menos de 120 páginas e processe as partes uma depois da outra.
  • Mantenha esta aba aberta até a digitalização terminar, porque arquivos longos podem demorar em um dispositivo lento.

Fontes

Perguntas frequentes

Sobre OCR e extração de texto de PDF.

Posso copiar o texto de um PDF digitalizado?

Sim. Escolha o arquivo e o idioma e pressione Extrair texto / OCR. As páginas que são só imagens são lidas por OCR, e o texto aparece na caixa para copiar. O reconhecimento pode errar, então confira o resultado com a página.

Meu PDF é enviado para um servidor?

Não. O PDF é aberto e lido no seu navegador. O mecanismo de OCR e o arquivo de idioma são carregados dos arquivos deste mesmo site na primeira vez que são necessários. O conteúdo do seu PDF não é enviado a lugar nenhum.

Que idiomas ele consegue ler?

Oferece 16: inglês, espanhol, francês, alemão, português, árabe, chinês simplificado, japonês, coreano, hindi, bengali, russo, urdu, turco, vietnamita e indonésio. Você escolhe um para cada execução, então uma página com dois idiomas é melhor dividida em execuções separadas.

Por que tenho que escolher um idioma?

O mecanismo de leitura usa um arquivo de idioma para saber quais letras e palavras esperar. Uma escolha errada dá resultados errados, como acentos perdidos. O idioma só importa para páginas digitalizadas, porque o texto real é copiado como está.

Por que a primeira execução foi lenta?

Na primeira página digitalizada, o navegador precisa baixar o mecanismo de OCR, alguns megabytes, e o arquivo de idioma, que tem cerca de 0.4 a 2 MB nos idiomas oferecidos. A página diz que o seu navegador guarda o arquivo, então as execuções seguintes são mais rápidas, a menos que o cache seja limpo.

Como a ferramenta decide que uma página precisa de OCR?

Primeiro ele tenta ler o texto guardado em cada página. Se uma página tiver mais de 20 caracteres de texto selecionável, esse texto é usado. Se não, a página é desenhada como imagem e lida com OCR. Se todas as páginas tiverem texto, o OCR não é executado e nenhum arquivo de idioma é carregado.

Ele cria um PDF pesquisável?

Não. Ele fornece texto simples para copiar, e o seu PDF original não é alterado. Se você precisar de um PDF com camada de texto oculta, precisa de outra ferramenta.

Por que algumas páginas saem como uma linha comprida?

As páginas que já têm texto próprio são lidas item por item e unidas com espaços, então suas quebras de linha não são mantidas. As páginas lidas com OCR mantêm as quebras de linha que o leitor encontrou na imagem.

Qual é a precisão do resultado?

Depende da digitalização. Impressão limpa, grande e reta, no idioma certo, é lida bem. Letra miúda, tinta fraca, escrita à mão, colunas e tabelas costumam dar mais erros. Sempre revise nomes, datas e números antes de usar o texto.

Existe um limite para o número de páginas ou para o tamanho do arquivo?

O arquivo pode ter no máximo 120 páginas no total. O código da página não define limite de tamanho em megabytes, mas arquivos grandes exigem mais memória no seu dispositivo e demoram mais, já que as páginas são lidas uma depois da outra.

Como salvo o texto em um arquivo?

Pressione Baixar TXT para salvar um arquivo de texto simples, ou pressione Copiar texto e cole em um editor. A caixa Texto extraído é somente leitura, então você não pode editar dentro dela. Cada página começa com uma linha como --- Page 1 ---, que você pode apagar no seu editor.

Ele lê manuscrito ou tabelas?

Não de forma confiável. O mecanismo de leitura foi feito para texto impresso. A escrita à mão costuma ser lida errado, e as tabelas saem como linhas de texto simples, sem suas linhas e colunas. Use o resultado como um rascunho que você corrige à mão.

Como usar OCR e extração de texto de PDF?

Extraia texto selecionável de um PDF ou reconheça texto em páginas digitalizadas. Escolha um arquivo, processe localmente e baixe uma nova cópia.

Meus dados são enviados para algum servidor?

Não. O processamento acontece no seu navegador, e seus dados não são enviados para um servidor.