Como contar as palavras de um PDF
- Adicione o PDF. Toque em Escolher PDF ou solte o arquivo na página. Arquivos protegidos por senha pedem a senha primeiro.
- Aguarde a leitura página por página. A ferramenta lê a camada de texto e os operadores de desenho de cada página, uma de cada vez. Uma barra de progresso mostra em que página ela está; um relatório de 300 páginas leva alguns segundos.
- Leia os totais e o veredito. Cinco cartões mostram páginas, palavras, caracteres, caracteres sem espaços e imagens. Abaixo deles, o veredito diz se o arquivo tem camada de texto, parece escaneado ou é composto principalmente de imagens.
- Confira páginas individuais. A tabela por página mostra as mesmas contagens para cada página; páginas sem texto aparecem em cinza. Arquivos com mais de 30 páginas começam com a tabela recolhida.
O que faz
- Totais e uma tabela por página: palavras, caracteres, caracteres sem espaços, imagens
- Contagem de palavras com suporte a Unicode — funciona com texto acentuado, cirílico, grego, CJK e tailandês, não só inglês
- Diz se o PDF tem camada de texto ou parece escaneado, e indica a ferramenta de OCR quando for o caso
- Conta imagens incorporadas e inline por página, para você ver quais páginas são figuras
- Abre PDFs protegidos por senha quando você sabe a senha
- Roda inteiramente no seu aparelho — a única requisição de rede busca a biblioteca de código aberto PDF.js
O que as contagens significam?
Um PDF não é um arquivo de editor de texto. Ele guarda instruções de desenho — coloque este glifo aqui, aquela imagem ali — e, se foi gerado a partir de um documento digital, uma camada de texto que diz aos leitores quais caracteres esses glifos representam. Esta ferramenta lê essa camada de texto com o PDF.js, reconstrói as linhas a partir das posições dos itens de texto e conta o que encontra. Ela também percorre a lista de operadores de cada página para contar operações de desenho de imagem, e é assim que consegue distinguir uma página digitada de uma escaneada.
| Contagem | O que mede | O que não inclui |
|---|---|---|
| Páginas | Páginas na árvore de páginas, como um leitor as mostraria | Páginas ocultas ou excluídas que ainda existem como objetos não usados |
| Palavras | Segmentos com cara de palavra na camada de texto, encontrados com o segmentador Unicode do navegador; números contam, pontuação não | Texto dentro de imagens, valores de campos de formulário, comentários, marcadores |
| Caracteres | Pontos de código Unicode no texto reconstruído, incluindo espaços e quebras de linha | Glifos invisíveis ou de largura zero que o leitor nunca mostra |
| Caracteres sem espaços | O mesmo, menos cada caractere de espaço em branco — o número que muitos orçamentos de tradução e diagramação usam | — |
| Imagens | Operações de desenho de imagem: imagens incorporadas, imagens inline, máscaras de imagem | Desenhos vetoriais, padrões de sombreamento, texto desenhado como contorno |
Quantas palavras tem uma página?
Não existe resposta fixa — depende do tamanho da fonte, das margens e do espaçamento — mas as faixas abaixo são as regras práticas usuais para uma página Carta ou A4, e ajudam você a conferir se um resultado faz sentido. A linha do escaneamento é a importante: uma página escaneada não tem camada de texto, então conta zero palavras por mais que esteja impresso nela.
| Tipo de página | Palavras típicas | Caracteres típicos | Imagens | O que a ferramenta diz |
|---|---|---|---|---|
| Carta comercial, 11–12 pt, espaçamento simples | cerca de 300–500 | cerca de 2.000–3.000 | 0–1 (logotipo) | Tem camada de texto |
| Página de manuscrito ou redação com espaçamento duplo | cerca de 250–300 | cerca de 1.500–2.000 | 0 | Tem camada de texto |
| Página densa de contrato, 9–10 pt, margens estreitas | cerca de 600–900 | cerca de 4.000–6.000 | 0 | Tem camada de texto |
| Página de apresentação de slides | cerca de 20–80 | cerca de 150–600 | 1–5 | Tem camada de texto (ou principalmente imagens) |
| Página escaneada sem OCR | 0 | 0 | 1 (às vezes mais, se o scanner divide em blocos) | Parece escaneado — use a ferramenta de OCR |
| Página escaneada com camada de OCR | igual ao texto impresso, menos os erros de reconhecimento | igual ao impresso | 1 | Tem camada de texto |
Quando isso é útil?
- Orçamentos de tradução e revisão são cobrados por palavra ou por 1.000 caracteres sem espaços; você precisa do número antes de pedir um preço.
- Limites de envio — pedidos de financiamento, peças processuais, artigos acadêmicos — costumam ser definidos em palavras ou páginas.
- Antes do OCR: um jeito rápido de saber se um lote de PDFs já é pesquisável, e quais páginas não são.
- Antes de enviar por e-mail: um arquivo com centenas de imagens por página é um escaneamento e vai ser grande; veja a ferramenta Comprimir PDF.
Se você precisa das palavras em si, e não de uma contagem, a ferramenta PDF para texto extrai tudo para um arquivo .txt com a mesma reconstrução de linhas.
Quais são as limitações?
- Ela conta apenas a camada de texto. Um escaneamento sem OCR conta zero; um escaneamento com uma camada de OCR ruim conta os erros do OCR.
- A reconstrução das linhas é geométrica. Layouts com várias colunas são lidos coluna por coluna quando as colunas estão bem separadas, mas tabelas e texto que contorna imagens podem se misturar, o que não muda muito a contagem de palavras, mas pode dividir ou juntar uma palavra na fronteira.
- Campos de formulário, anotações, comentários e marcadores não fazem parte do texto da página e não são contados.
- Arquivos protegidos por senha precisam da senha. Arquivos que o PDF.js não consegue analisar falham com uma mensagem.
- Arquivos muito grandes são processados página por página e os recursos da página são liberados antes da próxima, mas um escaneamento de 1.000 páginas ainda demora um pouco no celular.