Como extrair texto de um PDF escaneado

Um PDF escaneado é uma pilha de imagens de páginas, então não há texto para selecionar ou copiar. Para tirar as palavras você precisa de OCR. A ferramenta grátis PDF para texto faz as duas coisas no navegador: lê direto a camada de texto das páginas digitais e aplica OCR só nas páginas que são imagens.

Por que não consigo copiar texto de um PDF?

Geralmente porque a página é um escaneamento ou uma foto salva como PDF. O arquivo mostra letras, mas por baixo só há pixels. Alguns PDFs também têm a cópia bloqueada pelo autor. Se você não consegue destacar uma palavra sozinha, a página precisa de OCR antes de o texto poder ser copiado.

Como saber se um PDF é escaneado?

Abra e tente selecionar uma frase. Se as palavras destacam uma a uma, a página tem camada de texto. Se a página inteira é selecionada como uma imagem, ou nada é selecionado, é um escaneamento. Muitos PDFs misturam os dois: páginas digitadas com alguns anexos escaneados no fim.

Como fazer OCR de um PDF de graça?

1. Abra a ferramentaAcesse o PDF para texto.
2. Adicione o PDFEscolha um arquivo de até 50 MB.
3. Escolha o idioma do OCRSelecione o idioma do documento para as páginas escaneadas serem lidas corretamente.
4. ExtraiaPáginas com texto saem na hora; as escaneadas são reconhecidas uma a uma.
5. Copie ou baixeCopie o resultado ou salve como arquivo de texto.

Como limpar o texto extraído?

Escaneamentos costumam quebrar as frases no fim de cada linha impressa e dividir palavras com hífen. Se você trabalha o texto com código, algumas linhas de JavaScript juntam os parágrafos de novo. Cole o resultado do OCR na variável text e rode no console do navegador ou no Node.js.

const text = `cole aqui o resultado do OCR`;

const cleaned = text
  .replace(/-\n(?=\p{Ll})/gu, '')   // junta palavras quebradas
  .replace(/(?<!\n)\n(?!\n)/g, ' ') // quebras simples -> espaços
  .replace(/[ \t]{2,}/g, ' ');      // espaços repetidos -> um

console.log(cleaned);

É seguro para documentos sigilosos?

Sim. O PDF é processado pelo seu próprio navegador e nunca é enviado para um servidor, então serve para contratos, notas fiscais e exames médicos. Um escaneamento melhor dá um texto melhor: veja o que realmente afeta a precisão do OCR antes de escanear de novo.

E se eu só tiver fotos das páginas?

Aí pule o PDF e use direto as ferramentas de imagem: copiar texto de imagem para uma página, ou o OCR de várias imagens para até 20 páginas de uma vez.