Como funciona por dentro
Carregue um PDF para que um Web Worker local do pdfjs-dist leia a camada de texto embutida nas páginas selecionadas. O algoritmo agrupa fragmentos pela linha de base vertical (yTolerance = 3.5), ordena da esquerda para a direita pela coordenada X e monta um arquivo .txt ou .md organizado por página.
Passo a passo de uso
Selecione ou arraste o arquivo PDF para o extrator.
Escolha extrair todas as páginas ou informe um intervalo como 1-3, 5.
Defina o formato de saída entre texto simples (.txt) ou Markdown (.md).
Copie o texto extraído na hora ou baixe o arquivo convertido.
Principais recursos e vantagens
- Extração fiel da ordem de leitura por agrupamento de linha de base e ordenação horizontal
- Suporte a intervalos personalizados de páginas (ex.: 1-3, 5) sem processar páginas extras
- Exportação rápida com marcadores de página em .txt (=== Page N ===) ou .md (## Page N)
- Privacidade absoluta: contratos e documentos fiscais nunca saem do dispositivo
Metodologia, fórmulas e padrões técnicos
O texto é obtido diretamente via pdfjs-dist textContent em Web Worker local, agrupando itens com diferença vertical dentro de yTolerance = 3.5 e ordenando-os por transform[4] (coordenada X) antes de formatar blocos por página.
Casos de uso práticos
- Reaproveitar texto de apostilas, contratos e relatórios PDF em editores ou prompts de IA
- Converter documentos digitais para Markdown pronto para documentação
- Extrair rapidamente trechos específicos de PDFs extensos sem instalar software
Exemplos resolvidos e casos especiais
Selective Page Range Extraction
Pages: `1-2, 5` on a 12-page contract
Extracts only pages 1, 2, and 5 with clear page dividers
Avoids copying boilerplate appendices when you only need key clauses.
Scanned PDF Detection Note
Image-only scanned document page
_No extractable text layer on this page._
If a PDF lacks an embedded text layer, switch to our Batch OCR tool.
Limitações e notas de precisão
- • Extrai apenas camadas de texto digital embutidas; PDFs escaneados como imagem precisam da ferramenta de OCR em Lote
- • Layouts complexos com múltiplas colunas muito próximas podem unir linhas adjacentes na mesma altura Y
Processamento local no navegador e privacidade
Conversores comuns enviam seus documentos, códigos ou vídeos para servidores externos. O Extrator de Texto de PDF roda direto na sua aba:
Seus textos e arquivos são processados localmente sem enviar conteúdo para servidores.
O Microdeck não registra nem armazena arquivos ou dados colados nas ferramentas.
Os resultados ficam apenas na memória do navegador e somem ao fechar ou limpar a aba.
Perguntas frequentes (FAQ)
Por que o resultado veio em branco em um PDF escaneado?
PDFs digitalizados por scanner contêm apenas imagens sem camada de texto digital. Para reconhecer texto em PDFs escaneados ou fotos, utilize nossa ferramenta de OCR em Lote.
Meus documentos PDF são enviados para algum servidor durante a extração?
Não. A leitura do PDF roda em um Web Worker 100% local no seu navegador, sem qualquer upload pela internet.
Posso extrair texto apenas de algumas páginas específicas do PDF?
Sim. Basta informar intervalos e páginas avulsas no filtro (como 1-3, 5) para extrair somente o que você precisa.
Qual a diferença entre baixar em .txt e em .md?
O arquivo .txt separa as páginas com === Page N === em texto puro, enquanto o .md usa cabeçalhos Markdown ## Page N para facilitar uso em Obsidian, Notion ou Git.
Outras ferramentas relacionadas
Inspetor e Removedor de Metadados de PDF (Autor e XMP)
Veja Autor, Criador, Produtor e XMP ocultos em PDFs — edite ou apague tudo offline
Extrator de Texto OCR para Imagens e PDF Escaneado
Extraia texto editável de PDFs digitalizados e fotos em 16 idiomas no navegador
Contador de Palavras, Caracteres, Bytes UTF-8 e Legibilidade
Conte grafemas Intl.Segmenter, bytes UTF-8, tempo de leitura/fala, palavras-chave e Flesch-Kincaid