Como consertar texto copiado de um PDF: o guia completo

Um PDF não é um documento de texto da mesma forma que um arquivo do Word ou uma página web. Internamente, um PDF armazena a posição exata de cada caractere na página como coordenadas — pense nisso como uma página impressa, não como um fluxo de texto. Não existe um conceito real de "parágrafo" dentro do próprio formato do arquivo; existe apenas onde cada linha de caracteres está posicionada na página.

Quando você seleciona texto em um leitor de PDF e copia, o leitor precisa adivinhar como converter essa grade de caracteres posicionados de volta em uma sequência linear de texto. A maioria dos leitores faz isso linha por linha, na ordem de leitura. Isso funciona razoavelmente bem para uma única coluna de texto, mas significa que toda quebra de linha que existia por motivos puramente visuais — porque a linha estava cheia, não porque uma frase terminou — é copiada como se fosse uma quebra de parágrafo real.

É por isso que colar uma página de um PDF em um editor de texto quase sempre produz um "parágrafo" curto por linha, em vez de alguns parágrafos fluindo normalmente. A formatação que você vê no leitor de PDF nunca foi realmente um dado — foi uma decisão de renderização feita naquela largura de página específica.

Parágrafos quebrados. Cada linha do PDF original vira sua própria linha ao colar, mesmo que a frase continue na próxima. Esta é a reclamação mais comum sobre texto de PDF.

Palavras com hífen divididas em duas. Quando uma palavra longa não cabe no final de uma linha, os renderizadores de PDF inserem um hífen e continuam a palavra na linha seguinte — por exemplo "docu-" e depois "mento" na linha de baixo. Ao copiar, isso vira duas palavras separadas com um hífen solto entre elas.

Números de página e cabeçalhos misturados ao corpo do texto. Se você seleciona e copia uma página inteira, ou várias páginas, o número da página, o cabeçalho e o rodapé são copiados junto com o conteúdo do parágrafo, já que o PDF não tem distinção estrutural entre texto de "corpo" e elementos de layout.

Espaçamento inconsistente ou duplicado. PDFs com múltiplas colunas, tabelas e texto justificado costumam introduzir espaços extras onde o renderizador esticou uma linha para preencher a largura da coluna. Esses espaços extras sobrevivem à cópia e atrapalham buscas ou a leitura.

Para uma citação curta, dá para consertar texto de PDF na mão: apagar as quebras de linha que aparecem no meio de uma frase, reunir manualmente palavras com hífen, e apagar números de página soltos que você encontrar. Isso funciona bem para duas ou três frases.

Deixa de funcionar quando você está lidando com mais de um ou dois parágrafos. Encontrar manualmente cada quebra de linha no meio de uma frase em um documento de várias páginas é lento e sujeito a erros — é fácil esquecer uma, ou apagar por engano uma quebra de linha que era um limite real de parágrafo e deveria ter ficado. Diferenciar "quebra de linha porque a linha estava cheia" de "quebra de linha porque o parágrafo terminou" a olho, uma por uma, não escala além de uma página.

Um bom limpador de texto de PDF não simplesmente remove toda quebra de linha — isso juntaria parágrafos separados em uma parede de texto só, o que é tão inútil quanto a bagunça original. Em vez disso, ele precisa diferenciar dois tipos de quebra de linha:

Uma quebra de linha que termina no meio de uma frase (a próxima linha começa com letra minúscula, ou a linha atual não termina em pontuação) é tratada como uma linha "embrulhada" e é substituída por um único espaço, juntando as duas linhas em uma frase.

Uma quebra de linha que vem depois de pontuação de fim de frase, ou que é seguida por uma linha em branco, é tratada como uma quebra de parágrafo real e é preservada.

Palavras com hífen recebem tratamento especial: quando uma linha termina em hífen imediatamente seguido por letra minúscula na próxima linha, tanto o hífen quanto a quebra de linha são removidos e a palavra é reunida sem espaço — transformando "docu-" no final de uma linha e "mento" no início da seguinte de volta em "documento".

O limpador de texto de PDF deste site roda exatamente essa lógica inteiramente no seu navegador: cole o texto copiado bruto, e ele reúne linhas quebradas, reúne palavras com hífen, e pode opcionalmente remover números de página soltos e cabeçalhos repetidos — sem enviar nada para lugar nenhum.

Verifique palavras com hífen divididas em duas linhas — procure um hífen imediatamente seguido por uma quebra de linha.

Verifique a primeira e a última linha de cada parágrafo em busca de um número de página solto ou fragmento de cabeçalho/rodapé.

Se o PDF de origem tem duas colunas, copie uma coluna de cada vez quando possível — copiar as duas colunas de uma vez intercala o texto das duas colunas linha por linha, algo que nenhuma ferramenta automática consegue desembaraçar totalmente depois.

Depois de consertar quebras de linha e hífens, faça uma checagem final por espaços duplos, comuns em texto de PDF justificado.