Documentos

PDF para Word: revise texto, OCR e estrutura do documento

·

O conversor de PDF para Word lê as páginas escolhidas no navegador, permite corrigir o conteúdo extraído e cria um DOCX editável. Comece com um pequeno intervalo representativo. Use o texto existente, OCR para páginas impressas digitalizadas ou a reconstrução opcional da estrutura; compare a revisão com o original antes de baixar.

Um PDF descreve páginas fixas; um documento Word editável organiza parágrafos, tabelas e outros elementos cujo fluxo pode mudar. Converter exige reconstruir o conteúdo, sem garantir que cada linha, fonte ou quebra de página seja igual. Guarde o PDF e confira o arquivo Word no programa em que pretende usá-lo.

PDF para Word

Comece com uma página que exponha os possíveis problemas

Escolha um PDF ou arraste-o para a área de trabalho. Os padrões são leitura automática, OCR em inglês e parágrafos simples editáveis. Informe um intervalo curto em Páginas, digite a senha conhecida se o PDF exigir uma e selecione Ler texto do PDF. Apenas escolher o arquivo não gera um download do Word.

Use uma amostra com os elementos necessários: texto comum, uma digitalização, uma tabela ou duas colunas. Se tabelas, títulos, listas ou figuras forem importantes, marque Reconstruir a estrutura do documento antes da leitura. Isso altera a revisão e a opção de saída inicial. Examine o primeiro resultado antes de ampliar a seleção.

  • Guarde o PDF original como referência visual.
  • Escolha explicitamente o idioma impresso para OCR; mudar o idioma da interface não escolhe o modelo.
  • Confira nomes, números, linhas ausentes e ordem de leitura antes de exportar.

Microsoft Support: abrir PDFs no Word e limites da conversão

Escolha como ler cada página selecionada

O modo Automático usa a camada de texto existente quando o texto extraído não fica vazio após remover os espaços das extremidades. Só usa OCR nas páginas sem esse texto. Não avalia se a camada está completa ou correta. Assim, um título selecionável acima de uma fatura digitalizada pode fazer com que retorne apenas o título e omita o texto da fatura dentro da imagem.

Escolha OCR em todas as páginas selecionadas quando as palavras úteis estiverem em imagens ou a camada de texto for inutilizável. O processo rasteriza as páginas e reconhece o texto impresso, inclusive o texto já visível. O reconhecimento pode introduzir erros; compare novamente, sem presumir que OCR melhora qualquer documento.

Escolha como ler cada página selecionada
Modo de leituraQuando começar por elePrincipal limitação
AutomáticoDocumento com páginas de texto comum e outras páginas digitalizadasUma camada parcialmente útil pode impedir OCR em uma página mista
Somente o texto existente no PDFTexto selecionável a conferir sem OCRTexto em imagens e valores de campos de formulário podem faltar
OCR em todas as páginas selecionadasDigitalizações impressas, páginas mistas ou camada de texto inutilizávelNo máximo 10 páginas com OCR; confira o reconhecimento

Adobe Acrobat: digitalização de papel e OCRDocumentação do Tesseract: melhorar a qualidade do reconhecimentoTesseract.js: reconhecimento de imagens e limites de suporte a PDF

Defina intervalos e confira a ordem das páginas

O campo Páginas vazio seleciona todo o documento. Digite 1-3, 5 para ler as páginas de um a três, seguidas da página cinco. Cada intervalo deve ser crescente, mas os segmentos separados mantêm a ordem digitada. Por exemplo, 3,1,3 cria três entradas de revisão: página três, página um e página três novamente. Repetições contam nos limites de seleção e OCR.

O PDF de origem pode ter até 300 páginas, e cada tarefa pode selecionar no máximo 50. Escolher uma página de um PDF com 301 páginas não contorna o limite da origem. Divida-o primeiro em PDFs adequados. Para digitalizações em idiomas diferentes, leia intervalos separados com o idioma de OCR correspondente, sem esperar que uma única seleção detecte todos eles.

API do PDF.js: carregamento, texto e renderização de páginas

Escolha o idioma impresso e use digitalizações legíveis

Os modelos de OCR disponíveis são inglês, francês, alemão, italiano, português, espanhol, chinês simplificado, hindi, árabe e bengali. O modelo escolhido vale para todas as páginas com OCR nessa leitura. As interfaces em indonésio e urdu não acrescentam modelos de reconhecimento desses idiomas. Escrita à mão e idiomas fora da lista não são compatíveis aqui; OCR também não traduz.

Páginas nítidas, na orientação correta e com impressão legível são um ponto de partida melhor que imagens borradas, inclinadas ou de baixa resolução. O render de OCR usa 200 pixels por polegada do PDF; não há controles para escolher a resolução ou melhorar a digitalização. No OCR com estrutura, as caixas das palavras não são giradas e a correção automática de inclinação fica desativada. Corrija a orientação da origem antes de importá-la quando necessário. Mesmo uma confiança alta pode acompanhar linhas omitidas ou identificadores incorretos.

Documentação do Tesseract: melhorar a qualidade do reconhecimentoTesseract.js: reconhecimento de imagens e limites de suporte a PDF

Confira o conteúdo de cada página com o original

A revisão mostra a página original ao lado do texto editável e oferece um seletor de páginas. Confira nomes próprios, datas, separadores decimais, números de conta, pontuação e linhas inteiras. Preserve identificadores como 9007199254740993 como texto; o conversor não pede que sejam arredondados ou tratados como números de uma planilha.

No modo simples, edite o texto diretamente. As quebras de linha viram parágrafos no Word. Também é possível digitar em uma revisão vazia quando a leitura somente de texto não encontrou conteúdo, mas uma revisão simples em branco não gera um documento Word. Para recuperar conteúdo impresso de uma digitalização, faça uma nova leitura com OCR e revise a extração. Ler novamente apaga a revisão anterior; baixe as edições importantes antes.

Microsoft Support: abrir PDFs no Word e limites da conversãoDocumentação do Tesseract: melhorar a qualidade do reconhecimento

Reconstrua blocos quando precisar de uma estrutura editável

O modo de estrutura tenta recuperar parágrafos, títulos, listas compatíveis, tabelas, regiões com uma ou duas colunas e figuras. Marcações úteis do PDF podem orientar o processo; outros elementos são agrupados por posição e aparência. Nem as marcações nem as estimativas geométricas garantem a ordem de leitura correta. Compare os blocos com a origem e mova, edite ou remova o que for necessário.

As células das tabelas são editáveis, inclusive nas tabelas adicionadas manualmente. Confira alinhamento das colunas, cabeçalhos mesclados e ordem de leitura das células. Listas de páginas de origem diferentes recebem definições de numeração separadas no Word; confira continuações e reinícios. Um documento pode parecer correto e ainda colocar a coluna da direita antes do texto da esquerda.

Reconstrua blocos quando precisar de uma estrutura editável
Elemento a revisarCorreção útilConferência após exportar
Títulos e listasEscolha níveis de título, estilo e numeração da lista; reordene blocosHierarquia dos títulos e continuação das listas
TabelasCorrija texto das células, linhas, colunas e interpretação de mesclagensCada valor deve ficar sob o cabeçalho correto
Colunas e figurasConfira a ordem das regiões e adicione ou remova recortesOrdem de leitura, ilustrações ausentes e texto duplicado

Microsoft Support: abrir PDFs no Word e limites da conversãoAPI do PDF.js: carregamento, texto e renderização de páginas

Trate fontes, cores e recortes como aproximações

A estrutura pode preservar nomes de famílias de fontes correspondentes, tamanhos e cores sólidas de texto compatíveis, com controles para revisão. Não incorpora as fontes originais. O navegador ou editor de texto pode substituir uma família indisponível. Transparências, padrões, contornos e máscaras de recorte não reproduzem exatamente a aparência do PDF; leia os avisos e compare a prévia.

As figuras são recortes renderizados, não os arquivos de imagem originalmente incorporados. A estrutura extraída do texto nativo usa um render de 150 PPI e pode omitir imagens de página inteira ou sobrepostas ao texto para evitar duplicação. Arte vetorial, máscaras e imagens repetidas ou agrupadas podem exigir recorte manual. Um recorte pode conter pixels de texto já presente em blocos editáveis; confira ambos. A estrutura obtida por OCR não transforma automaticamente cada imagem em uma figura separada.

Microsoft Support: abrir PDFs no Word e limites da conversãoAPI do PDF.js: carregamento, texto e renderização de páginas

Mantenha distintas as edições do texto simples e da estrutura

Quando há uma revisão estrutural, Conteúdo do Word permite escolher Estrutura revisada ou Parágrafos simples editáveis. Cada versão guarda suas próprias edições. Alterar uma tabela na estrutura não reescreve a versão simples; editar o texto simples não atualiza os blocos estruturados. Escolha a versão pretendida antes de baixar DOCX ou texto revisado.

Alterar as configurações de leitura, escolher outro arquivo ou ler novamente apaga a revisão. Alterar apenas as opções de saída do Word mantém o conteúdo revisado e remove o resultado anterior para que seja gerado de novo. Se havia um erro de exportação, mudar essas opções também limpa o erro antigo; a próxima exportação ainda precisa terminar com sucesso.

API do PDF.js: carregamento, texto e renderização de páginas

Escolha o tamanho da página, crie o DOCX e confira no Word

A saída simples oferece US Letter ou A4 e cria parágrafos editáveis sem recriar tabelas, imagens, links, formulários, fontes ou layout originais. A saída estruturada usa os blocos revisados e também oferece as dimensões da página original. Ativar a reconstrução seleciona inicialmente a estrutura e essas dimensões; ao mudar para texto simples, uma escolha de tamanho original passa para Letter.

A opção de quebra inicia cada página de origem em uma nova página do Word, mas não garante paginação idêntica dentro dela. Texto, margens, fontes substituídas e o editor podem alterar o fluxo. Selecione Criar documento do Word, aguarde o resultado e baixe o DOCX. A própria reconstrução exige páginas de origem com lados de 0,5 a 22 polegadas. Fora desse intervalo, desative a reconstrução e leia novamente para gerar saída simples em Letter ou A4, ou prepare antes um PDF de tamanho padrão; os demais limites de entrada e renderização continuam valendo.

Microsoft Support: abrir PDFs no Word e limites da conversão

Confira separadamente os limites de arquivo, seleção e revisão

O limite de entrada de 50 MB corresponde a 50000000 bytes. O PDF também precisa cumprir os limites de páginas e renderização; um arquivo comprimido pequeno ainda pode conter uma página muito grande. Selecionar menos páginas reduz o trabalho acumulado, mas não contorna o limite de páginas da origem nem de bytes do arquivo. Estrutura e OCR usam renders maiores que uma prévia de texto simples.

Os limites de texto contam unidades UTF-16 do JavaScript, não caracteres visíveis: alguns símbolos usam duas unidades e sequências com marcas combinantes podem usar várias. A contagem da revisão não inclui os separadores inseridos entre páginas para TXT e Contador de palavras. A exportação estruturada também limita blocos, trechos com estilo, figuras e dimensões de tabelas. Ao atingir um limite, reduza a seleção ou simplifique o documento revisado.

Confira separadamente os limites de arquivo, seleção e revisão
EscopoLimite implementadoO que fazer se exceder
PDF de origem50000000 bytes e 300 páginasDivida ou prepare uma origem menor antes
Páginas selecionadas50 entradas; no máximo 10 com OCREscolha um intervalo menor e evite repetições involuntárias
Texto revisado ou exportado1000000 unidades UTF-16; no máximo 20000 parágrafos no DOCX simplesExporte partes menores
Páginas renderizadas8192 pixels por lado; 8000000 pixels por página; 80000000 no totalUse um intervalo menor ou páginas de tamanho padrão
Recursos iniciais da revisão50000000 bytes entre prévias, renders da origem e figurasReduza a seleção ou use texto simples
DOCX estruturado2000 blocos, 50000 trechos com estilo, 100 figuras e 50000000 bytes de figuras; saída de até 100000000 bytesSimplifique blocos e figuras ou divida a tarefa
Cada tabela estruturada200 linhas, 12 colunas e 2000 célulasDivida uma tabela grande em partes adequadas
Tempo máximo da tarefa180 segundos para leitura; 60 segundos para criar o WordTente uma tarefa menor em um dispositivo disponível

API do PDF.js: carregamento, texto e renderização de páginasTesseract.js: reconhecimento de imagens e limites de suporte a PDF

Use a mensagem de falha para decidir o próximo passo

A extensão .pdf não garante conteúdo PDF legível. O fluxo verifica o arquivo e usa diagnósticos rigorosos, com uma permissão limitada para instruções de ajuste de fontes reparáveis. Pode rejeitar um arquivo danificado que outro visualizador mostra após reparos. Uma prévia bem-sucedida em outro programa não comprova que texto ou estrutura possam ser reconstruídos com segurança aqui.

Se a leitura falhar ou for cancelada, a interface não oferece um conjunto parcial de páginas revisadas. Corrija a entrada ou as opções e leia novamente. Se a criação do Word falhar, a revisão continua disponível para correção ou download em TXT. Um mecanismo local ou modelo indisponível pode exigir que os recursos correspondentes do site sejam carregados antes de tentar de novo.

Use a mensagem de falha para decidir o próximo passo
SintomaO que verificarPróximo passo
Digitalização sem textoO modo somente texto não lê pixels de imagensEscolha Automático ou OCR em todas as páginas selecionadas
Apenas o título foi extraídoUma página mista contém algum texto selecionávelTente OCR forçado e confira a página inteira
Palavras erradas ou ausentesIdioma, qualidade da digitalização ou limites do reconhecimentoSelecione o modelo certo e corrija comparando com a origem
Limite de páginas ou renderizaçãoTamanho da origem, quantidade selecionada ou dimensões rasterizadasPrepare uma origem ou intervalo menor
Layout diferente no DOCXReconstrução, substituição de fontes ou novo fluxo no WordRevise os blocos e examine o documento exportado

API do PDF.js: carregamento, texto e renderização de páginasDocumentação do Tesseract: melhorar a qualidade do reconhecimento

Use a senha conhecida e guarde as edições antes de reler

Para um PDF protegido, digite a senha correta no campo local e tente a leitura. A ferramenta não recupera senhas. O campo é limpo após cada tentativa, inclusive em falhas ou cancelamentos; talvez seja preciso digitá-la novamente. O PDF escolhido permanece selecionado após cancelar.

Cancelar interrompe a leitura ou exportação atual. Limpar arquivo remove a origem selecionada, senha, intervalo e revisão, enquanto outras escolhas de leitura e opções do Word podem permanecer. Confira essas opções antes de usar outro documento. Baixe as edições que precisa guardar antes de limpar, reler ou sair da página; uma revisão na tela não é um documento salvo.

API do PDF.js: carregamento, texto e renderização de páginas

Baixe o TXT ou envie a revisão ao Contador de palavras

Baixar texto revisado usa a representação escolhida em Conteúdo do Word. Na estrutura, isso significa o texto dos blocos revisados, inclusive tabelas e marcadores de lista aplicáveis; pixels das figuras não contribuem com texto. O TXT contém todas as páginas revisadas na ordem selecionada, separadas por duas quebras de linha.

Contar o texto revisado envia esse mesmo texto ao Contador de palavras na aba atual. O limite de 1000000 unidades inclui os separadores inseridos; uma revisão no próprio limite de texto pode ser grande demais para transferir. Baixe partes menores quando necessário. A transferência é temporária e não fica em uma URL nem no armazenamento do navegador; limpar o Contador de palavras remove o texto transferido e o histórico de desfazer.

API do PDF.js: carregamento, texto e renderização de páginas

Diferencie o processamento local dos downloads do site

O PDF, a senha, a revisão e a criação do Word são processados no seu dispositivo. O fluxo não envia os bytes do documento para conversão. Carregar o site ainda exige solicitações de páginas e scripts; recursos do PDF ou o modelo de OCR escolhido podem ser buscados quando necessário. A análise de uso do site também pode fazer solicitações. Processamento local não garante funcionamento totalmente offline no primeiro uso nem ausência de tráfego de rede.

Ler texto existente dispensa um modelo de OCR. Quando o reconhecimento é necessário, o modelo do idioma escolhido é carregado com o mecanismo de OCR; nem todos os modelos são baixados automaticamente. Uma falha nesse download pode impedir o reconhecimento mesmo com processamento local. Baixe os arquivos concluídos para guardá-los independentemente da aba.

Tesseract.js: reconhecimento de imagens e limites de suporte a PDFAPI do PDF.js: carregamento, texto e renderização de páginas

Faça uma conferência final antes de compartilhar

Em uma fatura, compare nome do cliente, identificador, itens, quantidades, separadores decimais e total com o PDF. Em um relatório, confira também níveis de títulos, continuação de listas, ordem das colunas, cabeçalhos de tabelas e legendas. A confiança do OCR é uma estimativa do mecanismo, não uma medição da precisão do seu documento.

Abra o DOCX baixado no editor de destino e examine as páginas com um zoom legível. Ajuste o fluxo ali ou corrija a revisão de origem e exporte novamente. Guarde o PDF junto da versão editável quando a disposição visual original for importante. Para uma cópia de aparência fixa, conservar o PDF pode ser mais útil que tentar reproduzir cada detalhe no Word.

Microsoft Support: abrir PDFs no Word e limites da conversãoDocumentação do Tesseract: melhorar a qualidade do reconhecimento

Perguntas frequentes

Como converter um PDF em Word editável?

Escolha um PDF, modo de leitura e intervalo de páginas; depois selecione Ler texto do PDF. Compare e edite a revisão, escolha as opções de saída, crie o documento e baixe o resultado DOCX.

É possível ler páginas PDF digitalizadas?

Sim, para idiomas impressos compatíveis e dentro dos limites de OCR. Automático só reconhece páginas das quais não extrai texto existente não vazio; escolha OCR em todas as páginas selecionadas quando uma página mista ou camada inutilizável exigir reconhecimento.

Por que Automático deixou de fora texto de uma imagem?

Ele verifica se o texto extraído não está vazio, não se cobre toda a página. Um título selecionável pode impedir OCR do restante. O reconhecimento forçado pode recuperar as palavras na imagem, mas precisa ser conferido.

Mudar o idioma da interface escolhe o idioma do OCR?

Não. O modelo inicial é inglês. Escolha explicitamente o idioma impresso. Há dez modelos; indonésio e urdu são idiomas da interface sem modelos correspondentes aqui.

OCR traduz ou reconhece escrita à mão?

Reconhece texto impresso nos idiomas compatíveis e não traduz. Escrita à mão e idiomas fora dos modelos oferecidos não são compatíveis.

O Word ficará exatamente igual ao PDF?

Não. A saída simples contém parágrafos editáveis. A estruturada reconstrói blocos e figuras compatíveis, mas substituição de fontes, agrupamentos incertos e novo fluxo no Word podem alterar o resultado. Confira o arquivo baixado.

Posso editar tabelas, títulos e colunas?

Ative a reconstrução antes da leitura e confira os blocos detectados. Revise níveis de títulos, numeração, células, cabeçalhos mesclados, ordem das colunas e figuras. A detecção é aproximada mesmo quando há marcações no PDF.

Editar o texto simples também altera a estrutura?

Não. As duas representações mantêm edições separadas. Conteúdo do Word escolhe a versão usada em DOCX, TXT e na transferência ao Contador de palavras.

Quantas páginas posso converter de uma vez?

A origem pode ter até 300 páginas. Cada tarefa seleciona no máximo 50 entradas, com até 10 páginas que precisem de OCR. Repetições contam novamente, e limites de arquivo, texto, renderização e tempo também se aplicam.

Um intervalo curto contorna o limite da origem?

Reduz o trabalho selecionado, mas não contorna os limites de 50000000 bytes ou 300 páginas do PDF de origem. Divida um documento grande em PDFs adequados antes de escolhê-lo.

Posso converter um PDF que exige senha?

Digite localmente a senha correta e conhecida antes de ler. O campo é limpo após cada tentativa. A ferramenta não recupera nem contorna uma senha desconhecida.

Por que o Contador de palavras fica desativado para uma revisão no limite?

O limite dele inclui as duas quebras de linha inseridas entre páginas. Elas podem fazer uma revisão permitida ultrapassar 1000000 unidades UTF-16. Baixe e conte partes menores.

O PDF ou a senha são enviados para conversão?

Este fluxo os processa localmente no dispositivo. O site ainda pode solicitar scripts, recursos de PDF, o modelo de OCR escolhido e análise de uso. Converter localmente não implica ausência de solicitações de rede.

O que guardar antes de cancelar ou limpar?

Baixe o texto revisado ou o DOCX concluído para conservar as edições. Cancelar mantém o PDF selecionado; Limpar arquivo remove a origem e a revisão. Ler novamente redefine a revisão anterior.

Fontes e leitura complementar

Coloque em prática.

Guias relacionados