PDF para Word: extraia texto editável sem enviar seu arquivo

Converter Word para PDF é um problema de renderização: pegar um leiaute descrito e desenhá-lo. PDF para Word é o inverso, e o inverso não é simétrico. Fazer o caminho contrário é um problema de reconstrução, e reconstruir é muito mais difícil do que desenhar.

O PDF guarda glifos, não frases

Um arquivo PDF não registra parágrafos nem títulos. Ele registra instruções para desenhar caracteres individuais em coordenadas específicas — e é por isso que converter PDF para Word significa reconstruir a estrutura por engenharia reversa a partir de dados de posição.

Um arquivo do Word diz «isto é um Título 1 com o texto Relatório Trimestral». Um PDF diz «use a fonte F2 em 22 pontos, vá para x=72 y=782, mostre os glifos R-e-l-a-t-ó-r-i-o». Nada no arquivo o marca como título. Isso precisa ser deduzido do fato de ele ser maior do que tudo ao redor.

Por que os parágrafos precisam de engenharia reversa

O texto chega em fragmentos posicionados por coordenadas, muitas vezes cortados no meio da palavra e frequentemente sem os espaços entre as palavras. Recuperar prosa legível significa agrupar os fragmentos em linhas pela posição vertical, inserir espaços onde as lacunas horizontais os sugerem e depois decidir quais quebras de linha são quebras automáticas e quais são limites de parágrafo.

Cada um desses passos é uma heurística. As nossas são documentadas e testadas, mas continuam sendo palpites — e esta página marca quais partes do resultado são palpites, em vez de apresentar tudo como fato.

O problema dos documentos digitalizados

PDFs digitalizados contêm imagens de texto, não texto. Sem OCR, nenhuma quantidade de análise vai recuperar as palavras.

Essa é a decepção mais comum com qualquer conversor de PDF para Word, e o motivo de tanta gente concluir que as ferramentas simplesmente não funcionam. Você solta um contrato que um colega digitalizou e recebe de volta um arquivo do Word vazio — em geral sem explicação nenhuma.

O que o OCR faz e por que esta ferramenta não o tem

O reconhecimento óptico de caracteres olha para a figura e deduz quais formas são quais letras. É uma tecnologia genuinamente diferente de ler uma camada de texto, é comparativamente lenta, e uma versão no navegador significaria entregar um modelo de reconhecimento a cada visitante.

Então fazemos a segunda melhor coisa: detectamos a situação e avisamos com clareza, na primeira coisa que você vê depois de soltar o arquivo. A detecção leva em conta que páginas digitalizadas raramente estão completamente vazias — scanners carimbam números de página, e OCRs parciais deixam resíduos —, então uma página com só um punhado de caracteres é tratada como digitalização, e não como texto.

Isto é um extrator de texto, não um conversor de leiaute. Ele recupera as palavras de um PDF para um arquivo do Word editável. Ele não reproduz o desenho original da página.

Extração de texto x conversão de leiaute

As duas coisas que as pessoas chamam de PDF para Word são bem diferentes. A conversão de leiaute tenta reconstruir o documento: tabelas como tabelas, colunas como colunas, imagens no lugar. Isso exige um motor comercial ou uma grande infraestrutura em servidor, e as boas implementações são todas em servidor.

A extração de texto pega as palavras, a ordem de leitura e o máximo de estrutura básica que dá para inferir com confiança. Para muitíssimas tarefas reais — citar uma cláusula, reaproveitar um parágrafo, tirar números de um relatório — isso é o trabalho inteiro.

Para quem é — e para quem não é

Use esta ferramenta se você quer o texto de um PDF para editar, citar ou reaproveitar, e prefere que seu documento não seja enviado ao servidor de um desconhecido.

Não use se você precisa que o arquivo do Word fique igual ao PDF, se o documento é cheio de tabelas ou se ele é uma digitalização. Esses casos são tratados mais abaixo, junto com o que usar no lugar.

Toda ferramenta de PDF para Word traça essa linha em algum lugar. A maioria simplesmente nunca mostra onde.

Extraído com confiança

O corpo do texto. A ordem de leitura, em documentos de coluna única. Negrito e itálico, deduzidos dos nomes das fontes incorporadas. O texto visível dos hiperlinks.

Para um relatório, uma carta ou um artigo comuns, isso é praticamente todo o conteúdo.

Inferido — e às vezes errado

Níveis de título, limites de parágrafo e listas com marcadores ou numeradas. Eles são derivados da geometria, não lidos do arquivo, e a prévia os rotula como inferidos exatamente por isso.

Como os níveis de título são adivinhados pelo tamanho da fonte

Tomamos a altura de glifo mais comum do documento como o tamanho do corpo e promovemos tudo que for significativamente maior: 1,6× ou mais vira Título 1, 1,35× vira Título 2, 1,15× vira Título 3.

O tamanho mais comum, e não a média, de propósito — a média é puxada para cima por um título grande, que então deixaria de ser reconhecido como título. A linha de base também é calculada no documento inteiro, para que uma folha de rosto inteira em letras grandes não distorça todas as páginas seguintes.

Documentos que sinalizam títulos com peso ou cor, em vez de tamanho, não terão esses títulos detectados. É uma limitação real, e o modo texto simples existe para ela.

Não suportado

Tabelas saem como texto solto, e não como tabelas. Imagens não são levadas. Cabeçalhos, rodapés e números de página são extraídos como texto comum, onde quer que estivessem. Leiaute exato, posicionamento, fontes e tamanhos não são reproduzidos.

Tabelas, imagens e páginas digitalizadas

Páginas em várias colunas são detectadas e sinalizadas, em vez de intercaladas em silêncio, porque a ordem de leitura entre colunas é genuinamente ambígua — um artigo acadêmico em duas colunas pode ser lido coluna a coluna ou de uma ponta a outra da página, e o arquivo não diz qual.

Páginas digitalizadas não produzem nada, e isso é informado antes de você exportar.

Os usos realistas da extração de PDF para Word têm todos o mesmo formato: você quer as palavras, não o design.

Citar trechos de contratos e relatórios

Copiar uma cláusula exata de um PDF redigitando convida a erros de transcrição exatamente no tipo de documento em que erros importam. A extração entrega o texto literal — e, no caso de um contrato, o fato de ele nunca ter saído da sua máquina não é um detalhe.

Reaproveitar texto de artigos científicos

PDFs acadêmicos são o caso clássico desta ferramenta e também o caso clássico dos seus limites: o texto sai limpo, mas artigos em duas colunas serão sinalizados, porque a ordem de leitura é genuinamente ambígua. Extraia e depois reordene à mão.

Tirar dados de notas fiscais

Os itens de uma nota fiscal vivem em tabelas, que saem como texto solto em vez de grade. Ainda assim é mais rápido do que redigitar, e os números chegam exatamente como impressos.

Reaproveitar documentos antigos

Transformar um folheto ou manual antigo em PDF de volta em texto editável costuma ser uma questão de palavras, não de design — o design normalmente vai ser trocado de qualquer forma.

Por que a privacidade importa aqui

Os documentos de que as pessoas mais querem extrair texto — contratos, cartas médicas, extratos financeiros — são os que elas menos deveriam querer enviar. Processar localmente elimina a pergunta em vez de respondê-la.

PDF para Word raramente é o último passo. Com o texto no Word e editado, converter de volta é o passo natural — nosso conversor de Word para PDF também roda inteiramente no seu navegador, então a viagem de ida e volta nunca passa por um servidor.

Se o material de origem está espalhado em vários PDFs, junte-os primeiro e extraia uma única vez, em vez de extrair várias vezes e costurar os resultados no Word.

Tudo aqui segue a mesma regra: seus arquivos ficam na sua máquina. O restante do conjunto está na nossa página de ferramentas PDF gratuitas, e as de imagem em todas as nossas ferramentas de navegador.