Converter PDF para TXT

Existem dois tipos de PDF e, por fora, são idênticos. Um veio de um documento — exportado do Word, impresso em PDF, gerado por um sistema — e tem caracteres de verdade. O outro veio de um scanner ou da câmera do celular e tem a fotografia de uma página.

Dá para saber em cinco segundos: abra o PDF e tente selecionar uma linha com o mouse. Se palavras isoladas ficam marcadas, os caracteres estão no arquivo e esta página tira eles de lá. Se a página inteira vira um retângulo azul, ou se nada acontece, é imagem — e aí o que resolve é reconhecimento de texto, que esta conversão não faz de propósito.

Texto puro é uma sequência de caracteres e mais nada. Não conhece coluna, tabela, título, página nem fonte. Converter PDF em texto é perder informação de propósito — não é a limitação, é exatamente o que foi pedido.

As consequências são previsíveis. Um artigo em duas colunas sai como uma sequência contínua, a coluna da esquerda inteira antes da direita, e não linha a linha. Uma tabela vira as suas células soltas, sem a grade que dava sentido a elas. Cabeçalho e rodapé aparecem no meio do texto a cada página. Se qualquer disso importa, o que você quer é converter o PDF para um formato de documento, onde a estrutura tem onde morar.

Um PDF não guarda frases nem parágrafos. Guarda instruções do tipo «desenhe estes glifos nesta posição», e a ordem dessas instruções costuma ser — mas não precisa ser — a ordem de leitura. Documento comum sai exato.

Quebra em páginas muito diagramadas: revista com uma frase destacada no meio da coluna, formulário com campos em volta dos rótulos, informativo cheio de caixas. Isso pode vir embaralhado, porque o arquivo realmente não registra qual bloco vem antes. Nenhum programa conserta isso só com o arquivo: a informação nunca foi escrita ali.

Repare no que as pessoas extraem. Contrato de aluguel, contracheque, extrato bancário, laudo, nota fiscal, petição baixada do PJe, manuscrito ainda não publicado. É uma categoria puxada para documentos que dizem respeito a uma pessoa só.

Todo outro extrator da internet pede o upload. Este lê o arquivo com o pdf.js — o mesmo motor com que o Firefox exibe PDF, código aberto e licença Apache — dentro da página que você já abriu. E dá para conferir em vez de acreditar: abra as ferramentas de desenvolvedor, deixe a aba de rede à vista e converta alguma coisa.

Virou um dos motivos mais comuns da conversão, e texto puro é o formato certo para isso. Modelo lê texto; fonte e posicionamento de PDF não acrescentam nada, e arrastar um PDF para a janela de conversa em geral significa que a ferramenta fez esta mesma conversão por você, com menos cuidado.

Duas coisas ajudam. Converta o documento inteiro em vez de mandar prints das páginas, porque texto é exato e imagem precisa ser adivinhada. E olhe o começo da saída: se a primeira página é uma capa só com o título, o texto vai começar com pouquíssimo — sinal de que deu certo, não de que falhou.

A extração é fiel ao que está no arquivo, o que às vezes quer dizer ser fiel a algo estranho. Palavra separada no fim da linha mantém o hífen. Alguns documentos guardam fi e fl como um único glifo, e é assim que chegam.

Nada disso é estrago: é o documento sendo relatado como está. Um localizar-e-substituir resolve os hifens, e a maioria dos editores e dos modelos de linguagem lida com as ligaturas sem que ninguém peça.

A saída é UTF-8, que é o que se quer em praticamente todo caso: acentos, cedilha, grego, cirílico, japonês e emoji no mesmo arquivo, e qualquer programa atual lê.

O ponto onde ainda trava é software antigo do Windows, e o suspeito de sempre é o Excel: dois cliques num .txt ou .csv fazem ele chutar uma página de código velha e os acentos viram lixo. Entrar por Dados > Obter dados > De texto/CSV e escolher UTF-8 resolve, assim como abrir o arquivo em quase qualquer outra coisa.

Se o teste da seleção mostrou uma imagem, esta página não ajuda, e dizer isso é melhor do que devolver um arquivo vazio. Reconhecimento de texto é outra operação, com outro tipo de erro: não falha alto, erra baixinho.

Os caminhos realistas são o reconhecimento do próprio sistema — macOS e versões recentes do Windows tiram texto de uma imagem — ou um programa de OCR dedicado. Seja qual for, leia o resultado antes de confiar: um dígito reconhecido errado numa nota fiscal é idêntico a um certo.

A extração é rápida porque lê estrutura em vez de desenhar. Algumas centenas de páginas passam despercebidas, e o esforço acompanha a quantidade de texto, não o tamanho do arquivo.

Fica lento com documento que é grande por estar cheio de imagem, porque elas precisam ser atravessadas do mesmo jeito. Um catálogo digitalizado de 200 MB demora um instante e depois devolve, corretamente, quase nenhum texto — é o teste da seleção de novo, pelo caminho longo.