Como copiar texto de um PDF

A resposta curta

Para poucas linhas, selecione o texto com o mouse ou com o dedo e copie (Ctrl+C no Windows, Cmd+C no Mac). Para páginas inteiras ou documentos longos, solte o PDF no extrator abaixo e baixe um arquivo TXT com todo o texto na ordem de leitura. Deixe Adicionar marcadores de página ligado e cada página começa com uma linha como [Página 3], para você sempre saber de onde veio cada trecho. Use o campo Páginas para limitar a exportação, por exemplo 1-3, 5 ou 8-.

Se a ferramenta disser que nenhum texto foi encontrado, o PDF provavelmente é uma digitalização. Vá direto para a parte sobre OCR mais abaixo.

Dois tipos de PDF: texto ou imagens

Um PDF salvo pelo Word, pelo Google Docs, por um site ou por um sistema de contabilidade contém texto de verdade: cada letra é guardada com a fonte e a posição. Dá para pesquisar com Ctrl+F, selecionar e copiar.

Um PDF feito com scanner, copiadora ou app de digitalização no celular é diferente. Cada página é uma foto do papel. Parece texto, mas para o computador é uma grade de pixels, então o cursor não seleciona nada ou seleciona a página inteira como imagem. A pesquisa também não encontra nada. Alguns apps de digitalização fazem OCR automaticamente e acrescentam uma camada de texto invisível, e é por isso que algumas digitalizações são pesquisáveis e outras não.

Um teste rápido: aperte Ctrl+F (Cmd+F) no seu leitor de PDF e pesquise uma palavra que você está vendo na página. Se ela for encontrada, o PDF tem texto. Se não, é uma digitalização sem camada de texto.

Como copiar texto em cada aparelho

• Windows e Mac: abra o PDF no navegador, no Adobe Acrobat Reader ou na Pré-Visualização, arraste por cima do texto e copie. Ctrl+A (Cmd+A) seleciona todo o texto, mas em documentos longos o resultado costuma sair bagunçado.
• Microsoft Word: Arquivo > Abrir e escolha o PDF. O Word converte o arquivo em um documento editável. Ele mantém mais formatação do que copiar e colar, mas tabelas e layouts complexos podem se mexer, então confira o resultado.
• iPhone e iPad: abra o PDF no app Arquivos ou no Livros, toque e segure uma palavra, arraste as alças e toque em Copiar. Para digitalizações e fotos, o Texto ao Vivo reconhece texto em imagens nas versões recentes do iOS.
• Android: abra o PDF no Google Drive ou em outro leitor de PDF, toque e segure para selecionar e toque em Copiar. Para digitalizações, o Google Lens consegue ler o texto de uma foto da página.
• Qualquer aparelho, documento inteiro: use o extrator desta página para ter um único arquivo TXT limpo, em vez de copiar página por página.

Por que o texto colado sai errado, e como corrigir

Copiar de um PDF muitas vezes dá linhas quebradas, colunas misturadas ou caracteres estranhos. O motivo é que o PDF guarda onde cada pedaço de texto fica na página, e não como os parágrafos continuam. O leitor precisa adivinhar a ordem de leitura.

• Uma quebra de linha depois de cada linha: as linhas do PDF terminam onde a página termina, não onde a frase termina. Em um editor de texto, troque as quebras de linha simples por espaços, ou cole em uma ferramenta que junta linhas.
• Colunas misturadas: selecionar por cima de duas colunas pega as duas. Selecione uma coluna de cada vez, ou extraia o texto: o extrator lê o texto na ordem em que ele está guardado no arquivo, o que normalmente quer dizer uma coluna depois da outra.
• Palavras com hífen partidas em duas: palavras separadas no fim da linha mantêm o hífen. Pesquise por um hífen seguido de quebra de linha e apague os dois.
• Símbolos sem sentido ou quadradinhos no lugar das letras: alguns PDFs embutem fontes sem um mapa que liga cada desenho a um caractere real. O texto aparece normal, mas copia como lixo. Extrair não resolve aqui; trate o arquivo como uma digitalização e use OCR.
• Tabelas viram linhas compridas: texto simples não tem células. Os valores de uma linha da tabela acabam em uma só linha separados por espaços. Para tabelas de verdade, copie linha por linha ou monte a tabela de novo em uma planilha.

Quando você precisa de OCR

O OCR (reconhecimento óptico de caracteres) olha para a imagem de uma página e transforma o desenho das letras de volta em texto. Você precisa dele para digitalizações, fotos de documentos e PDFs que copiam como símbolos sem sentido.

No Anyfeat dá para fazer isso em dois passos sem enviar nada. Primeiro abra a digitalização em PDF para imagem, escolha PNG e a resolução Alta (impressão), que gera imagens de 300 DPI que o OCR lê com muito mais confiança do que a resolução de tela. Depois abra as imagens em Imagem para texto (OCR), escolha o Idioma do texto e copie o resultado ou baixe como TXT. Escolher o idioma certo faz diferença: é assim que letras como ç, ã e õ, os acentos do português ou o i com e sem ponto do turco são reconhecidos corretamente.

Dicas para um texto extraído limpo

• Extraia só as páginas de que precisa com o campo Páginas, por exemplo 4-12, para não ter que apagar capa e anexos depois.
• Deixe os marcadores de página ligados quando for citar o texto, por exemplo em um trabalho com referências: fica muito mais fácil achar a página depois.
• O arquivo TXT é salvo em UTF-8, então todos os idiomas e alfabetos saem certos, inclusive cirílico, grego, árabe e chinês, e ele abre corretamente em qualquer editor de texto.
• Dá para processar vários PDFs de uma vez. Cada um vira seu próprio arquivo TXT, e você pode baixar todos em um ZIP.
• Revise sempre o resultado do OCR, principalmente números, nomes e valores. Um 5 lido como S no total de uma nota fiscal passa despercebido com facilidade.