PDF para texto

O PDF provavelmente é uma digitalização ou uma foto, que não tem camada de texto para extrair. Passe-o primeiro pelo OCR de PDF; essa ferramenta adiciona uma camada de texto e também oferece um download direto em .txt.

O texto é lido da esquerda para a direita, de cima para baixo, seguindo a estrutura interna do PDF, o que está correto para a maioria dos documentos de coluna única. Layouts de várias colunas, barras laterais e tabelas podem sair intercalados, e cabeçalhos, rodapés e números de página são incluídos junto com todo o resto da página.

Não. A saída é texto simples em UTF-8, então caracteres acentuados, cirílico, CJK e árabe são preservados, mas negrito, títulos, links e imagens não são, e as quebras de linha seguem as linhas do PDF, não os parágrafos. Para manter títulos e listas em Markdown, use o PDF para Markdown.

Sim. Adicione quantos PDFs quiser e clique em Extrair uma vez; cada um vira seu próprio arquivo .txt com o nome da origem, e eles são baixados juntos como pdf-to-text.zip. Um único PDF é baixado diretamente como filename.txt.

As páginas se seguem com uma quebra de linha entre elas. Não há marcadores de página nem quebras de página, então o arquivo é lido como um fluxo contínuo de texto.

Não, esta ferramenta sempre extrai todas as páginas. Separe as páginas que você precisa em um PDF à parte primeiro com Extrair Páginas e depois converta esse arquivo.

Se um PDF pedir senha ao ser aberto, a ferramenta solicita essa senha antes de extrair. Sem a senha, o texto não pode ser lido.

Não. A extração roda em um mecanismo de PDF carregado no seu navegador como WebAssembly, então contratos, prontuários médicos e qualquer outra coisa permanecem no seu dispositivo do início ao fim.