Tirando o conteúdo de um PDF: texto, dados, imagens e arquivos

Por que é difícil converter um PDF de volta

Na maioria dos PDFs, o texto é guardado como caracteres colocados em posições exatas na página. Muitas vezes não há registro de que um grupo de linhas forma um parágrafo, de que certas palavras são um título ou de que uma grade de números é uma tabela com linhas e colunas. O conversor precisa reconstruir essa estrutura a partir das posições, o que funciona bem em documentos simples e mal em layouts complexos. PDFs digitalizados são ainda mais difíceis, porque não têm caractere nenhum, só imagens de páginas. Por isso o caminho mais confiável é sempre o arquivo de origem, quando ele existe, e por isso os conversores do VelloDoc priorizam um resultado limpo e honesto em vez de imitações do layout original. O guia de formatos explica as concessões por trás disso.

Recuperando as palavras

Três conversores recuperam texto para destinos diferentes. PDF para Word gera um DOCX editável com o texto de cada página em parágrafos e as quebras de página mantidas, pronto para ser reformatado, mas não reconstrói fontes, tabelas, imagens nem colunas. PDF para TXT grava todo o texto em um arquivo UTF-8, a forma mais portátil para citar, pesquisar e analisar. PDF para Markdown acrescenta um título para cada página, um ponto de partida prático para wikis e aplicativos de anotações. Se o resultado sair embaralhado mesmo com a página sendo lida normalmente, o PDF guarda os caracteres sem um mapeamento correto para letras; rodar o OCR e converter de novo costuma resolver.

Recuperando números e tabelas

PDF para Excel cria uma planilha por página, transforma cada linha de texto em uma linha e separa as células sempre que o texto tem uma tabulação ou um espaço largo, que é como muitos PDFs organizam colunas. Tabelas simples e com espaçamento uniforme saem bem; células mescladas, texto com quebra de linha e células vazias precisam de ajustes, porque o espaçamento é a única pista da estrutura. Os valores chegam como texto, então converta-os em números antes de fazer cálculos. Para dados que vieram originalmente da exportação de um sistema, pedir o CSV é sempre mais preciso do que extrair do PDF, e CSV para PDF faz o caminho inverso quando você precisa de uma tabela para imprimir.

Imagens das páginas ou as imagens dentro delas

São duas tarefas que se confundem com facilidade. Renderizar páginas gera imagens de páginas inteiras: PDF para JPG, PDF para PNG e PDF para WebP convertem cada página a 120, 150 ou 200 DPI e entregam um ZIP; JPG serve para fotos, PNG para texto e diagramas, e WebP para sites. Extrair imagens, por outro lado, tira as fotos e gráficos guardados dentro do PDF no formato e na resolução originais, o que pode ter qualidade bem melhor do que uma renderização da página. Para apresentar páginas, PDF para PowerPoint coloca cada página em um slide do tamanho da página, como uma imagem que você pode anotar, mas não editar.

Um PDF como página web

PDFs longos são ruins de ler no celular e opacos para os buscadores. PDF para HTML transforma um documento em uma única página web independente: páginas com camada de texto viram texto de verdade, que se ajusta à tela e pode ser selecionado, pesquisado e lido em voz alta, com as imagens incorporadas, enquanto páginas digitalizadas entram como imagens de página para que nada se perca. Layout exato, colunas e fontes são simplificados em favor da legibilidade. Para sites de documentação que usam Markdown, o conversor para Markdown é mais adequado, e publicar o PDF original junto com o HTML mantém uma versão para impressão disponível para quem quiser.

Digitalizações precisam de OCR antes

Toda conversão baseada em texto depende de uma camada de texto. Um PDF digitalizado ou fotografado não tem essa camada, então PDF para Word devolve páginas vazias, PDF para Excel devolve planilhas vazias e PDF para HTML recorre a imagens das páginas. OCR PDF adiciona texto reconhecido em qualquer um de 39 idiomas e, depois disso, todos os conversores de texto funcionam normalmente. O reconhecimento não é perfeito, principalmente com letras pequenas, escrita à mão e layouts complexos, então confira nomes, números e datas no resultado convertido. Limpar as digitalizações antes do reconhecimento com as ferramentas de otimização, endireitando páginas e removendo páginas em branco, melhora a precisão de forma perceptível, e o que torna um PDF pesquisável explica por quê.

Respostas de vários PDFs de uma vez

Às vezes você não precisa converter nada. Precisa de uma resposta espalhada por vários arquivos. O Espaço de trabalho PDF com IA lê o texto de até 20 PDFs para você pesquisar em todos de uma vez, no seu navegador. Ele também pode pedir ao Claude, um modelo de IA criado pela Anthropic, que compare os documentos, liste onde discordam ou escreva um resumo, com o nome do arquivo e o número da página de cada ponto. A pesquisa é gratuita e não sai do seu navegador. As respostas da IA enviam o texto à Anthropic só quando você pergunta e concorda, então confira cada referência de página antes de confiar.

Arquivar em vez de converter

Às vezes o objetivo não é reaproveitar o conteúdo, e sim manter o documento legível por décadas. PDF para PDF/A regrava o arquivo no padrão de arquivamento PDF/A-2 com o Ghostscript, incorporando as fontes e um perfil de cor sRGB para que o arquivo não dependa de nada externo. Nenhum conversor garante que qualquer arquivo passe em uma validação rigorosa, então confira o resultado com um validador como o veraPDF quando a conformidade for obrigatória. Repare antes os arquivos danificados com Reparar PDF, dê ao documento um título significativo com Ver e editar metadados e torne as digitalizações pesquisáveis antes de arquivar, para que continuem fáceis de encontrar.

Fluxos de trabalho comuns

Perguntas sobre como converter PDFs para outros formatos

Guias relacionados