O que fazer quando o texto extraído de um PDF sai embaralhado
Pontos principais
- Dependendo de como as fontes foram incorporadas, a extração pode falhar
- Os dados do texto podem ser diferentes do que aparece
- Refazer o PDF a partir do original costuma resolver
Depois da extração, o texto mostra símbolos ilegíveis ou caracteres errados. A causa está em como o PDF foi feito.
Causas
- As informações de fonte estão incorporadas de um jeito especial, então os dados do texto não correspondem aos caracteres exibidos
- O software que criou o PDF converteu o texto em formas (contornos)
- Foi usado um formato antigo ou uma fonte japonesa especial
O que fazer
- Se você tem o arquivo original (como um Word), refaça o PDF.
- Abra em outro leitor de PDF (um navegador, o Preview etc.) e tente copiar o texto lá.
- Se mesmo assim não conseguir extrair, transforme o PDF em imagens e use OCR. (Esta ferramenta não tem OCR.)
Conferência
Veja se só uma parte ou tudo está corrompido. Se for só uma parte, corrigir à mão pode funcionar.
Usar “Extrair texto de PDF” (grátis)Ferramentas que combinam com esta
- PDF em imagens: Salve cada página de um PDF como imagem JPEG ou PNG.
- Extrair ou excluir páginas de PDF: Mantenha só as páginas de que precisa, ou remova as que não quer.
- Comprimir PDF: Reduza um PDF para caber abaixo de um tamanho que você escolher, para limites de envio.
Se este guia ajudou, uma pequena gorjeta significaria muito.
Enviar uma gorjeta (¥300)Enviar um presente (lista de desejos da Amazon)Mais guias desta ferramenta
- Como copiar e extrair texto de um PDF
- Por que não se consegue extrair texto de um PDF (PDFs escaneados)
- Como copiar o texto de um PDF para o Word ou para notas
- Dicas para usar o texto de um PDF em estudos e trabalhos
- Adicionar marcadores de página? Como escolher entre ligar e desligar
- Como extrair o texto de um PDF sem enviar o arquivo para lugar nenhum