Duas leituras, escolhidas por página
Uma página com camada de texto nativa é lida direto do PDF: os blocos vêm do pdf.js e são agrupados em parágrafos pela mesma heurística que o conversor para Word usa, calibrada contra documentos reais. Uma página escaneada é uma imagem, e ali o texto precisa ser reconhecido.
A escolha é por PÁGINA, não pelo documento, porque documento de processo mistura os dois o tempo todo: petição digital com anexo fotografado. Um arquivo em que só a folha 7 é escaneada é lido nativamente nas outras e por OCR só nela.
Como extrair
Copiar é o caminho principal, não baixar: quem extrai texto de PDF quase sempre vai colar em outro lugar. O botão de copiar aparece assim que há texto.
- Solte o PDF na área de upload, ou traga um da cadeia — de juntar, dividir ou organizar.
- Escolha TXT ou Markdown. TXT é o padrão e é o que serve para colar num modelo de linguagem.
- Deixe o OCR ligado se o documento tiver páginas escaneadas. Desligado, elas são puladas e a página diz quantas.
- Extraia, leia o resultado na tela, e copie ou baixe.
A ordem de leitura, que é onde isso costuma dar errado
Os blocos de um PDF não vêm em ordem de leitura — vêm na ordem em que os objetos foram criados no arquivo, que depende do programa que o gerou. Num documento de duas colunas isso entrega a metade direita de cada linha antes da esquerda: todas as palavras presentes, o texto ilegível.
Antes de virar texto, os blocos passam por um reordenamento em bandas de sobreposição vertical — linhas que se sobrepõem em mais da metade da altura são a mesma banda, e dentro da banda a ordem é da esquerda para a direita. É a mesma correção que o conversor para Word recebeu depois de uma digitalização sair exatamente assim, e que parecia falha de OCR sem ser.
O Markdown é inferido, e por isso é conservador
Um PDF não tem estrutura de título. Tem texto com corpo de fonte, e é só a partir disso que dá para adivinhar hierarquia. A regra aqui exige três coisas ao mesmo tempo: corpo pelo menos 15% acima da mediana da página, no máximo 14 palavras, e sem pontuação no fim.
Cada um desses testes sozinho erra. Só o corpo marcaria a primeira linha de um parágrafo em destaque; só o tamanho marcaria itens de lista; só a pontuação marcaria legendas. Juntos, marcam o que quase sempre é cabeçalho de verdade — e quando não têm certeza, deixam parágrafo comum, porque um texto plano correto é melhor que um documento cheio de títulos falsos.
A mediana é da PÁGINA e não um valor fixo em pontos: um edital em 10pt e um cartaz em 30pt precisam de réguas diferentes.
O que sobrevive em cada formato
Em Markdown, o negrito por trecho atravessa: o agrupador marca os pedaços em negrito e eles saem como duas estrelas. Em texto puro isso é descartado, porque o formato não tem como representá-lo — deixar a marcação literal seria pior que perder a ênfase.
Nenhum dos dois preserva cor, fonte, posição ou imagem. Se o que você precisa é o documento com aparência, o destino é o conversor para Word, que reconstrói corpo de fonte, negrito, cor e alinhamento.
Onde ele para
Texto é o fim da cadeia: nenhuma ferramenta daqui abre um .txt, então a página não oferece próximo passo. O caminho útil é o contrário — chegar aqui com um PDF que veio de juntar, dividir ou organizar.
Tudo roda no seu navegador: a leitura pelo pdf.js, o OCR pelo Tesseract em WebAssembly, e o arquivo que você baixa é montado ali. Nada é enviado, e o medidor no topo da página mostra isso enquanto você trabalha — o que importa quando o documento é um contrato ou um processo.