PDF para texto — extraia o texto de um PDF, sem upload

Extrair o texto de um PDF (copiar ou baixar como .txt)

Atualizado em 15 de outubro de 2026

Adicione um PDF abaixo e o texto aparece na caixa, linha por linha, como está na página. Copie ou baixe como arquivo .txt. As opções adicionam um cabeçalho por página e juntam palavras hifenizadas na quebra de linha. O texto é lido pelo PDF.js na memória do seu navegador; o arquivo nunca é enviado a lugar nenhum.

Roda inteiramente no seu navegador — seus arquivos nunca são enviados a lugar nenhum.

Como extrair texto de um PDF

Adicione o PDF. Toque em Escolher PDF ou solte o arquivo na página. Se ele tiver senha, digite a senha e toque em Abrir.
Deixe a ferramenta ler as páginas. Os trechos de texto de cada página são lidos e remontados em linhas a partir das suas posições. Uma barra de progresso mostra em que página ela está.
Ajuste o resultado. Marque Uma página por seção para ter um cabeçalho acima de cada página, e Remover hifenização para juntar palavras quebradas no fim da linha. A caixa é atualizada na hora.
Copie ou baixe. Toque em Copiar texto para colocá-lo na área de transferência, ou em Baixar .txt para salvar um arquivo de texto simples com o nome do PDF.

O que faz

Extrai toda a camada de texto de um PDF, mantendo quebras de linha e espaços entre parágrafos como aparecem na página
Uma página por seção: adiciona um cabeçalho “Página 3 de 12” acima do texto de cada página
Remover hifenização: junta palavras quebradas no fim da linha (docu- / mento → documento)
Copie para a área de transferência com um toque, ou baixe como arquivo .txt em UTF-8
Avisa quando um PDF não tem camada de texto (um escaneamento) e indica a ferramenta de OCR em vez de devolver um arquivo vazio
Roda inteiramente no seu aparelho — a única requisição de rede busca a biblioteca de código aberto PDF.js

O que a ferramenta extrai?

Uma página de PDF é uma lista de instruções de desenho. Quando o arquivo foi criado a partir de um documento digital — um arquivo do Word, uma página da web, um e-mail — essas instruções incluem uma camada de texto: os caracteres em si e a posição de cada trecho na página. O PDF.js lê essa camada e a devolve como trechos de texto posicionados (sua API getTextContent). Esta ferramenta remonta linhas legíveis a partir desses trechos e entrega o resultado como texto simples. Se o PDF for um escaneamento, não há camada de texto nem nada para extrair; a ferramenta avisa e indica o OCR em vez de entregar um arquivo vazio.

Como as linhas são remontadas?

Regra	O que faz	Por quê
Mesma linha de base → mesma linha	Trechos de texto cuja posição vertical difere em menos de meia altura de glifo são juntados em uma linha, da esquerda para a direita	Os geradores de PDF dividem uma linha em muitos trechos (por palavra, por troca de fonte, por par de kerning)
Lacuna → espaço	Uma lacuna horizontal maior que um quarto da altura do glifo entre dois trechos vira um único espaço	Muitos PDFs nunca guardam caracteres de espaço; a lacuna é a única evidência
Lacuna vertical grande → linha em branco	Um espaço maior que 1,6 altura de linha entre linhas insere uma linha vazia	Mantém parágrafos e títulos visivelmente separados
Uma página por seção (opção)	Adiciona um cabeçalho `===== Page n of N =====` antes de cada página, páginas vazias incluídas	Permite localizar um trecho no original
Remover hifenização (opção)	Junta docu- + quebra de linha + mento em documento quando os dois lados são letras minúsculas; remove hífens condicionais no fim da linha	Texto justificado está cheio de hífens de fim de linha que não fazem parte da palavra

Quando o texto simples é o formato certo?

Para colar uma cláusula de contrato, uma carta ou uma citação em um e-mail, uma nota ou uma caixa de busca.
Para passar um documento a uma ferramenta de tradução, um leitor de tela ou um script de análise de texto.
Para guardar uma cópia pesquisável ao lado do original, ou conferir o que o OCR de um scanner realmente reconheceu.
Para contar e citar: o contador de palavras de PDF dá os números; esta ferramenta dá as palavras.

Se você precisa do layout, use o próprio PDF ou converta as páginas em imagens com PDF para JPG. Se precisa remover algo antes de compartilhar, o Tarjar PDF apaga o texto por baixo, não só a tinta.

Quais são os limites?

Só a camada de texto. Um escaneamento sem OCR não rende nada; um escaneamento com OCR rende o resultado do OCR, erros incluídos.
A ordem de leitura é geométrica: de cima para baixo, da esquerda para a direita. Páginas com várias colunas e tabelas podem sair intercaladas.
Valores de campos de formulário, comentários, anotações, marcadores e arquivos anexados não fazem parte do texto da página e não são extraídos.
Fontes com mapeamento Unicode quebrado ou ausente (alguns geradores de PDF antigos, algumas fontes de símbolos) saem como caracteres sem sentido; isso é um defeito do arquivo, e o comando de copiar de um leitor de PDF mostra a mesma coisa.
Nenhuma formatação sobrevive: negrito, itálico, cores, links e imagens são descartados.

Perguntas frequentes

Meu PDF é enviado para algum servidor?

Não. O PDF.js, o renderizador de código aberto embutido no Firefox, abre o arquivo dentro desta aba do navegador e informa os trechos de texto de cada página. A única requisição de rede busca essa biblioteca. A caixa de texto, a área de transferência e o download do .txt são todos locais.

Por que a caixa está vazia ou diz que o PDF parece escaneado?

Um PDF escaneado é uma foto de cada página. Não há camada de texto para extrair — só pixels. A ferramenta detecta isso (nenhum texto em nenhuma página) e indica a ferramenta de imagem para PDF pesquisável, que roda OCR no navegador e adiciona uma camada de texto que você pode então extrair aqui.

Como as quebras de linha são decididas?

Arquivos PDF não guardam linhas, só pedaços de texto posicionados. A ferramenta agrupa os pedaços que compartilham a mesma linha de base em uma linha, ordena da esquerda para a direita, insere um espaço onde há uma lacuna visível e insere uma linha em branco onde o espaço vertical é maior que cerca de uma linha e meia. Isso reproduz bem parágrafos comuns; tabelas e texto em colunas podem sair intercalados.

O que Remover hifenização faz exatamente?

Junta uma palavra que termina a linha com hífen à palavra em minúsculas que começa a linha seguinte: “docu-” seguido de “mento” vira “documento”. Só acontece quando os dois lados são letras minúsculas, então nomes como Jean-Paul, códigos como COVID-19 e um travessão no fim de uma frase ficam como estão. Hífens condicionais no fim da linha são sempre removidos.

Por que a ordem sai errada em algumas páginas?

Páginas com várias colunas, barras laterais, tabelas e texto contornando imagens são diagramadas em duas dimensões, e a ferramenta lê de cima para baixo pela linha de base. Duas colunas na mesma altura viram uma linha longa. Para essas páginas, copie o texto de um leitor de PDF com seleção por coluna, ou divida a página antes.

Ela mantém negrito, itálico, títulos ou links?

Não. O resultado é texto simples (.txt): sem fontes, tamanhos, cores, links ou imagens. Os títulos mantêm a própria linha e a linha em branco depois deles, o que costuma bastar para enxergar a estrutura.

E os PDFs com senha e os arquivos grandes?

Arquivos que exigem senha para abrir pedem a senha; ela é passada ao PDF.js, que descriptografa na memória. As páginas são lidas uma de cada vez e liberadas antes da próxima, então documentos longos funcionam, mas um livro de 1.000 páginas demora um pouco no celular, e a própria caixa de texto fica pesada acima de alguns megabytes — nesse caso, baixe em vez de rolar.