Por que o texto extraído de um PDF sai embaralhado ou com buracos
Você extraiu o texto de um PDF e o resultado veio estranho: frases cortadas, números de página no meio do parágrafo, trechos fora de ordem ou partes que simplesmente sumiram. Na maioria dos casos a causa está em como o PDF foi montado, não no texto em si. Abaixo estão os motivos mais comuns e como o PDF to Text lida com cada um.
Colunas e caixas de texto
Um PDF guarda pedaços de texto em posições da página. A ordem em que esses pedaços foram gravados nem sempre é a ordem de leitura. O PDF to Text segue a ordem do próprio arquivo e, em páginas claramente diagramadas em duas colunas, lê coluna por coluna. Layouts mais livres, como folhetos com caixas espalhadas, podem sair numa sequência diferente da que seus olhos fariam.
Tabelas
Cada fileira da tabela vira uma linha de texto, com as células separadas por espaços. Não há colunas alinhadas nem exportação para planilha. Num extrato bancário, por exemplo, data, descrição e valor ficam na mesma linha, um ao lado do outro.
Cabeçalhos, rodapés e hifenização
Cabeçalho e rodapé fazem parte da página, então continuam no texto: o nome da empresa ou o número da página pode aparecer entre um parágrafo e outro. Cada linha da página vira uma linha de texto, e a palavra partida no fim da linha mantém o hífen, como “contra-” numa linha e “to” na seguinte.
Escrita da direita para a esquerda
Linhas em árabe, hebraico e outros idiomas da direita para a esquerda saem na ordem de leitura. Textos em hindi, chinês e japonês, inclusive japonês vertical, e textos girados também são tratados.
Fonte sem mapa Unicode
Alguns PDFs desenham as letras com uma fonte que não informa a que caracteres Unicode elas correspondem (o mapa “ToUnicode” está ausente ou quebrado). Em vez de mostrar símbolos sem sentido, o PDF to Text deixa esse texto de fora e avisa: Parte do texto não pôde ser lida. Copiar o texto desse PDF em outros programas costuma gerar caracteres sem sentido também.
Texto convertido em formas e cópia bloqueada
Em alguns arquivos, títulos e logotipos foram convertidos em desenho: parecem letras, mas são formas. Essas páginas aparecem com a explicação “tem apenas desenhos ou texto convertido em formas”. Já quando o autor desativou a cópia de texto, o PDF to Text mostra Este PDF não permite copiar o texto e não mostra nem salva o conteúdo.
Como investigar o seu PDF
- Abra o PDF num leitor e tente selecionar o trecho que sumiu. Se não dá para selecionar, não existe camada de texto ali.
- Leia a nota no topo do PDF to Text: ela lista as páginas sem texto selecionável e o motivo de cada uma.
- Se apareceu Parte do texto não pôde ser lida., a fonte não tem mapa Unicode utilizável; o ideal é pedir a quem gerou o arquivo uma nova exportação.
- Se o problema é só ordem, cabeçalho ou hífen, ajuste no editor depois de copiar ou baixar o TXT.