--- title: "Como extrair dados de PDF: tabelas, texto e OCR" description: "Verifique primeiro se o PDF tem camada de texto. Se tiver, o Excel ou o pdfplumber leem as tabelas; páginas digitalizadas precisam de OCR. Com código testado." url: https://proxynet.io/pt-br/blog/extract-data-from-pdf date: 2026-09-28 author: "Acar Diveroli" category: "Tutoriais, Web scraping" lang: pt-BR --- # Como extrair dados de PDF: tabelas, texto e OCR Um fornecedor envia a lista de preços dele todo mês em um PDF de 40 páginas. A equipe financeira recebe os extratos bancários do mesmo jeito, e o relatório de mercado que você comprou na semana passada tem a melhor tabela na página 17. Você precisa dessas linhas em uma planilha, e copiá-las à mão quebra as colunas, perde os sinais de negativo e toma uma hora que você vai gastar de novo no mês que vem. Este artigo começa pela pergunta que define o método, se o arquivo tem camada de texto, e depois passa pelo conector de PDF do Excel, pdfplumber, Camelot e tabula-py, OCR com Tesseract para documentos digitalizados e um script em lote que transforma uma pasta de PDFs em um único CSV. Todos os exemplos foram executados em PDFs de teste que geramos com o ReportLab. > **Nota: Resposta rápida** > > Primeiro verifique se dá para selecionar o texto do PDF. Se der, o arquivo tem camada de texto: para poucos arquivos, a opção **Dados > Obter Dados > Do Arquivo > Do PDF** do Excel carrega as tabelas diretamente, e para trabalhos recorrentes um script Python com `pdfplumber` extrai texto e tabelas de uma pasta inteira para CSV. Se não der para selecionar o texto, as páginas são imagens: renderize-as e aplique OCR (Tesseract via `pytesseract`) e depois confira os números, porque o resultado do OCR é uma estimativa, não uma cópia. ## O que significa extrair dados de um PDF? Extrair dados de um PDF é transformar um conteúdo diagramado para impressão em linhas e campos que você pode ordenar e carregar em outro lugar. Um PDF não guarda "uma tabela com quatro colunas". Ele guarda instruções como "desenhe `1,007.50` nesta posição com esta fonte" e "trace uma linha daqui até ali". Toda ferramenta de extração de dados reconstrói a tabela a partir dessas coordenadas, e é por isso que o mesmo arquivo sai limpo em uma ferramenta e embaralhado em outra. É o mesmo trabalho de tirar campos de uma página web ([Como extrair dados de um site](/pt-br/blog/extract-data-from-website)), só que com caracteres posicionados no lugar de tags HTML. Coletar PDFs de sites em grande escala faz parte de um fluxo mais amplo de [extração de dados](/pt-br/data-scraping). ## PDF de texto ou PDF digitalizado: como saber? - **PDF de texto (digital).** Exportado do Word, de um sistema contábil ou de uma ferramenta de relatórios. Os caracteres ficam armazenados como texto, então a extração lê os números exatos do arquivo. - **PDF digitalizado (imagem).** Cada página é uma foto de um papel. Não existe texto até o OCR (reconhecimento óptico de caracteres) deduzir os caracteres a partir dos pixels. O teste rápido: pressione Ctrl+F e procure uma palavra que você está vendo. Se ela for encontrada, existe camada de texto. No código, uma lista `page.chars` vazia no pdfplumber indica que aquela página é uma digitalização. Alguns arquivos misturam os dois (um relatório digital com uma página de assinaturas digitalizada), então verifique página por página, não arquivo por arquivo. ## Como funciona a extração de tabelas de PDF? Seja no Excel, no pdfplumber ou no Camelot, os mesmos passos rodam por trás: 1. **A página é analisada.** Cada caractere é lido com sua posição, fonte e tamanho, além das linhas e retângulos desenhados. 2. **Os caracteres viram palavras e linhas.** Caracteres próximos na mesma linha de base formam palavras; palavras na mesma altura formam uma linha. 3. **As áreas de tabela são encontradas.** A partir de linhas de grade que formam uma malha, ou de colunas de palavras alinhadas com espaço em branco entre elas. 4. **As células são montadas.** Cruzamentos de linhas ou vãos entre colunas definem os limites das células, e cada palavra vai para a célula que a contém. 5. **As linhas são devolvidas.** Uma lista de linhas (ou um DataFrame) que você limpa e salva. O passo 3 causa a maior parte dos problemas. Uma grade completa é fácil; uma tabela sem bordas obriga a ferramenta a adivinhar as colunas pelo espaço em branco, e um nome de produto comprido pode deslocar todas as colunas. ## Métodos de extração de PDF lado a lado | Método | Precisa de código? | Lê digitalizações? | Ideal para | Onde trava | |---|---|---|---|---| | Copiar e colar | Não | Não | Uma tabela pequena, uma vez | Colunas se juntam em uma célula, tabelas de várias páginas | | Excel, Obter Dados > Do PDF | Não | Não | Poucos arquivos por mês, análise no Excel | Tabelas sem bordas, muitos arquivos com layouts diferentes | | pdfplumber (Python) | Sim | Não | Texto e tabelas, trabalhos em lote, controle fino | Exige ajuste para tabelas sem bordas | | Camelot (Python) | Sim | Extra opcional | Tabelas com grade, relatório de precisão por tabela | Texto livre em volta das tabelas | | tabula-py (Python) | Sim | Não | DataFrames rápidos de arquivos cheios de tabelas | Exige Java instalado na máquina | | Tesseract via pytesseract | Sim | Sim | Páginas digitalizadas, fotos de documentos | A precisão depende da qualidade da digitalização; as tabelas perdem a estrutura | ## Opções sem código: copiar e Excel **Copiar.** Para uma tabela pequena, selecione-a no visualizador e cole. Se cada linha cair em uma única célula, use **Data > Text to Columns** (Dados > Texto para Colunas). Isso deixa de funcionar assim que um nome de produto tem espaços. **O conector de PDF do Excel.** O Excel para Microsoft 365 no Windows consegue ler arquivos PDF pelo Power Query: 1. Abra uma pasta de trabalho em branco e vá em **Dados > Obter Dados > Do Arquivo > Do PDF**. 2. Selecione o PDF e clique em **Abrir**. 3. O **Navegador** lista o que o Power Query encontrou: cada tabela detectada (Table001, Table002…) e cada página inteira (Page001…). Clique em um item para ver a prévia. 4. Escolha **Carregar** para levar a tabela a uma planilha, ou **Transformar Dados** para limpá-la antes no Editor do Power Query (remover linhas de cabeçalho repetidas, mudar o tipo da coluna de preço para número). 5. No mês seguinte, substitua o arquivo e clique em **Data > Refresh All** (Dados > Atualizar Tudo); os mesmos passos rodam de novo. A [documentação do conector de PDF](https://learn.microsoft.com/pt-br/power-query/connectors/pdf) da Microsoft lista as opções por trás dele: `Pdf.Tables` aceita `StartPage` e `EndPage` para arquivos grandes e uma opção `MultiPageTables` que junta uma tabela que continua em várias páginas. O conector não faz OCR, e o Power Query no Excel para Mac não oferece PDF como fonte. O conector de pasta combina PDFs com o mesmo layout; quando os layouts são diferentes, um script é mais fácil de manter. ## Extraindo texto e tabelas com pdfplumber O [pdfplumber](https://github.com/jsvine/pdfplumber) é uma biblioteca Python construída sobre o pdfminer.six, com seu próprio localizador de tabelas. A versão atual é a 0.11.10 (junho de 2026); o README diz que ela funciona melhor com PDFs gerados por máquina e que não faz OCR. Instale-a em um ambiente virtual: ```bash python -m venv .venv .venv\Scripts\activate # macOS/Linux: source .venv/bin/activate pip install pdfplumber pandas ``` O básico cabe em poucas linhas: ```python import pdfplumber with pdfplumber.open("pdfs/price-list-2026-08.pdf") as pdf: page = pdf.pages[0] print(page.extract_text()) # todo o texto, linha por linha table = page.extract_table() # a maior tabela da página print(table[:2]) # [['SKU', 'Product', 'Unit', 'Price'], ['B-001', 'Cable set 1', 'box', '13.40']] ``` `extract_tables()` devolve todas as tabelas da página como listas de strings de célula. Por padrão, o pdfplumber procura linhas desenhadas; para uma tabela sem bordas, mude para a estratégia de texto: ```python settings = {"vertical_strategy": "text", "horizontal_strategy": "text"} rows = page.extract_tables(table_settings=settings) ``` Escolha a estratégia conforme a tabela. Na nossa lista de preços com grade, a estratégia de texto dividiu "Cable set 1" em duas colunas e juntou "Unit" e "Price", porque tentou adivinhar pelos vãos entre as palavras o que as linhas já mostravam. Quando só uma parte da página é tabela, recorte primeiro com `page.crop((x0, top, x1, bottom))`. ## Um script completo: uma pasta de PDFs para um único CSV O script abaixo lê todos os PDFs de uma pasta, pega o número do documento no texto da primeira página, tira as linhas de tabela de todas as páginas, pula os cabeçalhos repetidos, converte os preços em números e grava um único CSV. Páginas sem camada de texto são registradas para OCR, e um arquivo corrompido não interrompe o lote. ```python import csv import logging import re from pathlib import Path import pdfplumber logging.basicConfig(level=logging.INFO, format="%(levelname)s %(message)s") IN_DIR = Path("pdfs") OUT_CSV = Path("price_lists.csv") HEADER = ["SKU", "Product", "Unit", "Price"] DOC_NO = re.compile(r"price list (\S+)", re.IGNORECASE) def to_number(text): """'1,007.50' -> 1007.5; returns None for empty or broken cells.""" if not text: return None try: return float(text.replace(",", "").strip()) except ValueError: return None def rows_from_pdf(path): with pdfplumber.open(path) as pdf: first_text = pdf.pages[0].extract_text() or "" match = DOC_NO.search(first_text) doc_no = match.group(1) if match else path.stem for page in pdf.pages: if not page.chars: # sem camada de texto: provavelmente uma digitalização logging.warning("%s p.%d has no text layer, needs OCR", path.name, page.page_number) continue for table in page.extract_tables(): for row in table: cells = [(c or "").strip() for c in row] if cells == HEADER: # cabeçalho repetido em toda página continue if len(cells) != len(HEADER): logging.warning("%s p.%d skipped row %r", path.name, page.page_number, cells) continue sku, product, unit, price = cells yield { "file": path.name, "doc_no": doc_no, "page": page.page_number, "sku": sku, "product": product, "unit": unit, "price": to_number(price), } def main(): fields = ["file", "doc_no", "page", "sku", "product", "unit", "price"] count = 0 with OUT_CSV.open("w", newline="", encoding="utf-8-sig") as f: writer = csv.DictWriter(f, fieldnames=fields) writer.writeheader() for path in sorted(IN_DIR.glob("*.pdf")): try: for row in rows_from_pdf(path): writer.writerow(row) count += 1 except Exception as exc: # um arquivo corrompido não deve interromper o lote logging.error("%s failed: %s", path.name, exc) logging.info("wrote %d rows to %s", count, OUT_CSV) if __name__ == "__main__": main() ``` Na nossa pasta de teste (uma lista de preços de 70 linhas em duas páginas, outra de 8 linhas e uma cópia digitalizada), a saída foi: ```bash WARNING price-list-scan.pdf p.1 has no text layer, needs OCR INFO wrote 78 rows to price_lists.csv ``` `utf-8-sig` faz o Excel mostrar corretamente nomes acentuados como "Café", e `file`, `doc_no` e `page` em cada linha levam cada número de volta à sua página. Onde guardar as linhas depois está em [Como salvar dados de scraping em CSV, JSON e SQLite](/pt-br/blog/save-scraped-data-csv-json-sqlite); a limpeza, em [Como limpar dados de scraping com pandas em Python](/pt-br/blog/clean-scraped-data-with-pandas). ## Camelot e tabula-py: quando usar Duas outras bibliotecas se concentram só em tabelas. O **Camelot** chegou à versão 2.0.0 em junho de 2026. `read_pdf()` usa por padrão o modo `lattice` para tabelas com grade; `stream` e `network` cuidam das tabelas sem bordas, e `auto` escolhe por página. Cada tabela tem um `parsing_report` com uma pontuação de precisão para sinalizar páginas ruins. Veja a [documentação do Camelot](https://camelot-py.readthedocs.io/en/latest/). O **tabula-py** é um wrapper Python do tabula-java, por isso precisa de Java instalado. `tabula.read_pdf()` devolve diretamente uma lista de DataFrames do pandas. ```python import camelot import tabula PDF = "pdfs/price-list-2026-09.pdf" tables = camelot.read_pdf(PDF, pages="1-end", flavor="lattice") for t in tables: print(t.page, t.shape, t.parsing_report["accuracy"]) tables[0].df.to_csv("camelot_page1.csv", index=False) dfs = tabula.read_pdf(PDF, pages="all", lattice=True) print(len(dfs), [df.shape for df in dfs]) ``` Na nossa lista de preços de duas páginas, as duas encontraram uma tabela por página. O Camelot informou precisão de `100.0` e manteve o cabeçalho como primeira linha; o tabula o usou como nomes de coluna. As três bibliotecas acertaram a tabela com grade, então escolha pelo resto do trabalho: pdfplumber se você também precisa de texto livre, Camelot para ter uma pontuação por tabela, tabula-py para DataFrames com o mínimo de código se o Java estiver instalado. ## PDFs digitalizados: OCR com Tesseract Quando uma página não tem camada de texto, é preciso reconhecer os caracteres a partir da imagem. O Tesseract é o motor de OCR de código aberto mais comum, e o [pytesseract](https://github.com/h/pytesseract) é o wrapper dele para Python. O wrapper não inclui o motor: instale primeiro o próprio Tesseract (se depois ele não estiver no PATH, defina `tesseract_cmd` como mostrado abaixo) e então: ```bash pip install pytesseract pypdfium2 ``` O script renderiza cada página a 300 DPI em tons de cinza, aplica OCR e imprime a confiança média por palavra, que mostra quais páginas precisam de revisão humana: ```python import sys import pypdfium2 as pdfium import pytesseract # No Windows, aponte o pytesseract para o executável se ele não estiver no PATH: # pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe" def ocr_pdf(path, lang="eng", dpi=300): pdf = pdfium.PdfDocument(path) pages = [] for i, page in enumerate(pdf, start=1): image = page.render(scale=dpi / 72).to_pil().convert("L") # tons de cinza ajudam text = pytesseract.image_to_string(image, lang=lang, config="--psm 6") pages.append(text) # Confiança por palavra: -1 significa "não é uma palavra"; caso contrário, 0-100. data = pytesseract.image_to_data(image, lang=lang, output_type=pytesseract.Output.DICT) confs = [float(c) for c in data["conf"] if float(c) >= 0] if confs: print(f"page {i}: mean confidence {sum(confs) / len(confs):.1f}") return pages if __name__ == "__main__": try: for text in ocr_pdf(sys.argv[1] if len(sys.argv) > 1 else "scans/price-list-scan.pdf"): print(text) except pytesseract.TesseractNotFoundError: sys.exit("Tesseract is not installed or not on PATH") ``` O valor de 300 DPI vem do [guia de melhoria de qualidade](https://tesseract-ocr.github.io/tessdoc/ImproveQuality.html) do Tesseract. `--psm 6` trata a página como um único bloco uniforme de texto. O mesmo guia observa que tabelas exigem segmentação própria e que as bordas da digitalização podem ser lidas como caracteres. O OCR confunde `0` e `O`, `1` e `l`, e a vírgula e o ponto de um preço; digitalizações apagadas ou tortas pioram o resultado. Para números que importam, confira se os itens somam o total e peça para uma pessoa revisar as páginas com baixa confiança. O OCR devolve texto, não a estrutura da tabela: reconstrua as colunas com uma expressão regular por linha ou teste o extra opcional `ocr` do Camelot. ## Onde a extração de dados de PDF é usada - **Listas de preços de fornecedores.** PDFs mensais transformados em um histórico de preços que você compara ao longo do tempo, a base do [monitoramento de preços](/pt-br/price-monitoring). - **Relatórios de mercado e do setor.** Tabelas de relatórios públicos alimentando um modelo de [pesquisa de mercado](/pt-br/market-research) em vez de serem redigitadas. - **Faturas e extratos.** Totais, datas e números de referência levados para a contabilidade ou a conciliação, um trabalho comum nas equipes de [finanças](/pt-br/finance). - **Documentos públicos e estatísticas.** Muitos órgãos ainda publicam tabelas só em PDF; um script transforma anos delas em um único conjunto de dados, um primeiro passo típico antes da [mineração de dados](/pt-br/blog/what-is-data-mining). - **Pipelines de ETL.** Ler PDFs é o "extract" de um fluxo maior; [O que é ETL](/pt-br/blog/what-is-etl) explica como as etapas de transformação e carga se encaixam em volta. ## Baixando muitos PDFs de sites Os PDFs costumam estar em um portal de fornecedores ou na página de publicações de um órgão regulador. Baixar centenas deles é um trabalho de web scraping: use o download oficial ou a API, se existir, leia o robots.txt e os termos de uso e espace as requisições. O downloader abaixo pula os arquivos que já tem, não tenta de novo em erros 4xx, respeita `Retry-After` no HTTP 429 e confere se a resposta é mesmo um PDF: ```python import os import time from pathlib import Path from urllib.parse import urlparse import requests PROXY = os.environ.get("PROXY_URL", "http://user:pass@pr.proxynet.io:8000") URLS = os.environ.get("PDF_URLS", "https://example.com/reports/price-list.pdf").split() OUT = Path("pdfs") OUT.mkdir(exist_ok=True) session = requests.Session() session.proxies = {"http": PROXY, "https": PROXY} session.headers["User-Agent"] = "price-list-archiver/1.0 (contact: data@example.com)" def download(url, retries=3): target = OUT / Path(urlparse(url).path).name if target.exists(): # já baixado em uma execução anterior return target for attempt in range(1, retries + 1): try: r = session.get(url, timeout=30) if r.status_code == 429: time.sleep(int(r.headers.get("Retry-After", 30))) continue if 400 <= r.status_code < 500: # 403, 404...: tentar de novo não adianta print(f"{url} returned {r.status_code}, skipped") return None r.raise_for_status() if not r.content.startswith(b"%PDF"): # uma página de erro HTML, não um PDF print(f"{url} did not return a PDF, skipped") return None target.write_bytes(r.content) return target except requests.RequestException as exc: print(f"attempt {attempt} failed: {exc}") time.sleep(2 ** attempt) return None for url in URLS: print(url, "->", download(url)) time.sleep(2) # seja gentil com o servidor ``` Por meio de um proxy de teste local com user:pass, um PDF válido foi salvo, um `.pdf` falso e um 404 foram pulados, e uma segunda execução não baixou nada de novo. Um proxy ajuda quando uma fonte entrega documentos diferentes conforme o país (um [Proxies residenciais](https://proxynet.io/pt-br/residential-proxy) com país de destino) ou quando o download longo de um arquivo histórico esbarra em limites por IP (um [Proxies rotativos](https://proxynet.io/pt-br/rotating-proxy)). Mesmo assim, desacelerar vem primeiro, como explica [HTTP 429 Too Many Requests](/pt-br/blog/http-429-too-many-requests). ## Problemas comuns e como resolver - **Células mescladas voltam como `None`.** O pdfplumber preenche só a primeira linha de uma célula mesclada; `ffill()` do pandas copia o valor para baixo (exemplo mais abaixo). - **A tabela continua na página seguinte.** Extraia página por página, descarte as linhas de cabeçalho repetidas (como o script acima faz) e concatene. No Excel, a opção `MultiPageTables` faz isso por você. - **Os números chegam como texto.** `"1,007.50"`, `"(250.00)"` para negativos, `"1.007,50"` em um arquivo alemão. Normalize conforme o formato; nunca adivinhe o separador decimal a partir de um único valor. - **Letras acentuadas aparecem quebradas.** Normalmente o problema está no visualizador, não no texto: um console do Windows, ou o Excel abrindo UTF-8 sem BOM (veja [erros de codificação Unicode no Python](/pt-br/blog/python-unicode-encoding-errors)). Se o próprio `extract_text()` devolve símbolos estranhos, a fonte não tem mapeamento Unicode e o OCR é o caminho confiável. - **As colunas se deslocam em tabelas sem bordas.** Mude para a estratégia de texto, recorte a área da tabela ou passe posições de coluna explícitas com `"vertical_strategy": "explicit"` e `"explicit_vertical_lines"`. - **Zero linhas e nenhum erro.** A página é uma digitalização, a tabela é uma imagem ou o arquivo está protegido por senha (`pdfplumber.open(path, password="...")` para arquivos que você tem direito de abrir). Esta é a correção completa para células mescladas, testada em uma tabela em que "North" ocupa duas linhas: ```python import pandas as pd import pdfplumber with pdfplumber.open("merged.pdf") as pdf: rows = pdf.pages[0].extract_table() df = pd.DataFrame(rows[1:], columns=rows[0]) df["Region"] = df["Region"].ffill() # uma célula mesclada volta como None abaixo da primeira linha df["Price"] = pd.to_numeric(df["Price"].str.replace(",", ""), errors="coerce") print(df) ``` ## Qual método escolher? | Necessidade | Recomendação | |---|---| | Uma tabela de um arquivo, uma vez | Copiar e colar, depois Texto para Colunas | | Poucos PDFs de texto por mês, análise no Excel | Excel, Dados > Obter Dados > Do Arquivo > Do PDF | | Texto e tabelas de uma pasta, todo mês | Script de pdfplumber gravando CSV | | Tabelas com grade e pontuação de qualidade por tabela | Camelot, modo `lattice` | | DataFrames com o mínimo de código, com Java disponível | tabula-py | | Páginas digitalizadas ou fotos | Renderizar com pypdfium2 a 300 DPI + Tesseract, com revisão humana dos números | | Centenas de PDFs de um site | Primeiro o download oficial ou a API; senão, um downloader com pausas, com proxy se a fonte for regional | ## Perguntas frequentes ### Dá para extrair dados de PDF de graça? Sim. pdfplumber, Camelot, tabula-py e Tesseract são de código aberto, e o conector de PDF faz parte do Excel para Microsoft 365 no Windows. As ferramentas pagas acrescentam principalmente editores de modelos e um OCR melhor para digitalizações ruins. ### Como passar uma tabela de PDF para o Excel? No Excel para Microsoft 365 no Windows, use Dados > Obter Dados > Do Arquivo > Do PDF, escolha a tabela no Navegador e clique em Carregar. Em Python, extraia as linhas com o pdfplumber e grave-as com `to_excel()` do pandas ou como um CSV que o Excel abre. ### Por que a extração do meu PDF devolve texto vazio? O mais provável é que a página não tenha camada de texto. Confira `page.chars` no pdfplumber ou tente Ctrl+F em um visualizador; se nada for encontrado, aplique OCR. ### O pdfplumber é melhor que o PyPDF para tabelas? Para tabelas, sim. O pypdf é bom para dividir, juntar e ler texto simples, mas não tem localizador de tabelas. O pdfplumber guarda a posição de cada caractere e reconstrói as células a partir de linhas ou alinhamento, que é o que a extração de tabelas exige. ### Qual é a precisão do OCR em PDFs digitalizados? Depende da digitalização. Páginas impressas limpas a 300 DPI costumam sair bem; digitalizações tortas, apagadas ou de baixa resolução, letra de mão e fontes pequenas, não. Confira as pontuações de confiança e verifique os totais. ### É legal extrair dados de PDFs que eu baixo? Extrair dados de arquivos que você tem direito de usar (suas próprias faturas, relatórios públicos) normalmente não é problema, mas o conteúdo ainda pode ter direitos autorais e os dados pessoais nele continuam sujeitos a leis como a GDPR e a LGPD. Leia os termos da fonte antes de baixar em massa; nosso artigo sobre a [legalidade do web scraping](/pt-br/blog/is-data-web-scraping-legal) cobre o quadro geral. Isto não é aconselhamento jurídico. ## Em resumo Todo trabalho com PDF começa com uma verificação: existe camada de texto? Se existir, o conector de PDF do Excel resolve as tabelas ocasionais e um script de pdfplumber transforma uma pasta em um único CSV, com Camelot ou tabula-py para o trabalho só com tabelas. Se não existir, renderize a 300 DPI, rode o Tesseract e verifique os números. Guarde o arquivo de origem e a página em cada linha, e trate downloads de PDF em massa como qualquer outro trabalho de web scraping. Quando esses downloads vêm de fontes regionais ou com limite de requisições, nossos planos de [proxy](/pt-br/proxy) dão ao fluxo os endereços de que ele precisa.