Quando um PDF possui uma camada de texto real, é possível extrair seu conteúdo sem reconhecer novamente cada letra da página.
Isso é diferente de OCR.
A ferramenta PDF para Texto utiliza PDF.js para interpretar o arquivo e coletar os itens de texto existentes nas páginas.
1. O que significa camada de texto?
Um PDF pode conter letras e palavras como objetos de texto.
Nesse caso, normalmente é possível:
- selecionar palavras;
- pesquisar;
- copiar;
- extrair.
Mas um PDF também pode conter apenas imagens das páginas.
Visualmente os dois podem parecer iguais.
2. Como testar rapidamente?
Abra o PDF e tente selecionar uma palavra.
Se conseguir selecionar caracteres individualmente, provavelmente há uma camada de texto.
Se a página inteira se comportar como uma fotografia, talvez seja um documento escaneado.
Nesse segundo caso, use OCR em PDF e imagens.
3. Como a ferramenta funciona tecnicamente?
O código atual usa PDF.js.
Fluxo simplificado:
PDF → página → getTextContent() → itens de texto → TXT
O mecanismo lê cada página e coleta os elementos textuais existentes.
Depois o resultado é apresentado para cópia ou download.
4. Isso é OCR?
Não.
A ferramenta não tenta reconhecer letras desenhadas em pixels.
Ela só extrai o que o próprio PDF já possui como texto.
Essa diferença é importante porque extração direta costuma ser:
- mais rápida;
- mais fiel ao texto original;
- menos sujeita a confundir caracteres.
5. Por que a ordem pode sair diferente?
PDF não é um arquivo de texto simples.
Uma página pode posicionar palavras em coordenadas independentes.
Em documentos com:
- duas colunas;
- tabelas;
- caixas;
- cabeçalhos laterais;
- rodapés;
a ordem visual nem sempre corresponde perfeitamente à ordem armazenada.
Por isso, texto extraído pode exigir reorganização.
6. E as quebras de linha?
Elas também podem mudar.
Um PDF pode armazenar uma frase em vários itens separados.
O extrator precisa concatenar esses elementos.
O resultado é útil para reaproveitar conteúdo, mas não pretende recriar exatamente a diagramação original.
7. Caracteres especiais podem dar problema?
Sim.
Fontes incorporadas, mapas de caracteres e codificações incomuns podem produzir:
- símbolos errados;
- letras ausentes;
- espaços inesperados.
Isso depende de como o PDF foi produzido.
8. O arquivo é enviado para servidor?
Na implementação atual, o PDF é lido localmente no navegador.
O processamento utiliza bibliotecas carregadas pela página, mas o conteúdo do arquivo não precisa ser enviado para uma API externa para a extração.
Isso é útil para documentos que você prefere processar no próprio dispositivo.
9. Quando usar OCR em vez disso?
Use OCR quando:
- PDF veio de scanner;
- não é possível selecionar palavras;
- página é uma fotografia;
- extração retorna vazio.
OCR analisa pixels e tenta reconhecer caracteres.
É mais trabalhoso e pode introduzir erros.
10. Posso extrair só algumas páginas?
A ferramenta de texto trabalha com o documento carregado.
Se você deseja reduzir o arquivo antes, pode usar Como separar páginas de PDF e gerar um PDF menor com apenas o trecho necessário.
11. Texto extraído mantém tabelas?
Não necessariamente.
Uma tabela visual depende de posicionamento.
Ao converter para TXT, você perde grande parte da estrutura gráfica.
Para uso crítico, revise a relação entre linhas e colunas.
12. O que revisar
Depois da extração:
- nomes;
- números;
- datas;
- valores;
- caracteres especiais;
- ordem de parágrafos;
- colunas;
- cabeçalhos e rodapés.
Nunca suponha que a extração preservou perfeitamente a estrutura.
Dúvidas frequentes
PDF para Texto funciona em PDF escaneado?
Se o PDF contiver apenas imagens, a extração pode retornar pouco ou nada. Nesse caso, use OCR.
A ferramenta altera o PDF original?
Não.
Consigo salvar em TXT?
Sim, conforme a implementação atual.
Mantém a formatação?
Não integralmente.
Extrair texto e OCR são a mesma coisa?
Não.