Conversor PDF → TXT

PDF de processo é um inimigo conhecido: uns têm texto limpo embutido, outros são só imagem escaneada torta, e os piores misturam os dois na mesma peça — cabeçalho digital, miolo escaneado. É o ponto cego que derruba quase todo conversor. Este aqui decide página a página qual técnica usar, e roda inteiro no seu computador.

Como funciona

1. PyMuPDF — usado quando a página tem texto digital de verdade (e ele desconta o carimbo “cópia do original assinado digitalmente” antes de medir, pra não se enganar). Extração instantânea e perfeita; resolve a maioria.
2. Tesseract (OCR local, 300 DPI) — quando a página é imagem, ele renderiza e lê ali mesmo, recuperando o que a extração digital ignora. Sem conexão, sem mandar nada para fora.

Cada página só sobe de degrau se o anterior não der conta. Rápido no caso fácil, teimoso no difícil — e offline do começo ao fim.

E o modo online?

Existe um terceiro degrau possível: uma leitura por IA de visão, que decifra até a página escaneada mais sofrível. Mas ela fica de fora da versão offline, de propósito — e a razão é o ponto inteiro da ferramenta. Esse degrau roda na nuvem: manda a imagem da página para um servidor de terceiros. Ora, não faz sentido prometer que o documento não sai da máquina e, justamente na página mais difícil, mandar essa página para fora. A regra fica honesta: ou o material é sigiloso e tudo permanece local — aceitando que uma página rara talvez não seja lida —, ou não é sigiloso, e aí o degrau online pode entrar.

Por que importa

Quase tudo que a gente faz com decisão judicial — fichamento, pesquisa, anonimização — começa com texto limpo. Este conversor é a etapa zero, e ser offline é o que permite usá-lo com material sob sigilo sem mandar o processo do cliente para o servidor de ninguém.

Nasceu de uma dor real: uma pasta com dezenas de milhares de decisões em PDF que ninguém ia transcrever na mão.

Como montar o seu

Não distribuímos o nosso código (a base é do George — veja o crédito abaixo), mas a técnica é padrão e você monta a sua versão com ferramentas livres. O esqueleto cabe em vinte linhas.

O que instalar

1. Python (versão 3.10 ou mais nova) — baixe em python.org/downloads. Na primeira tela do instalador, marque “Add Python to PATH”; sem isso o computador não acha o Python depois, e é o tropeço número um de quem começa.
2. As bibliotecas — abra o Prompt de Comando (tecle Windows, digite cmd, Enter) e rode: pip install pymupdf pytesseract pillow
3. O Tesseract OCR, com o idioma português — no Windows, use o instalador do UB Mannheim e marque “Portuguese” na lista de idiomas. É ele que lê as páginas escaneadas.

A lógica (página a página)

Tente o texto digital primeiro; se a página vier quase vazia, é imagem — aí renderize em 300 DPI e passe no OCR. Tudo local:

import fitz, io, pytesseract
from PIL import Image

doc = fitz.open("processo.pdf")
paginas = []
for page in doc:
    texto = page.get_text().strip()
    if len(texto) < 100:                      # pouca letra = página escaneada
        pix = page.get_pixmap(dpi=300)
        img = Image.open(io.BytesIO(pix.tobytes("png")))
        texto = pytesseract.image_to_string(img, lang="por")
    paginas.append(texto)

open("processo.txt", "w", encoding="utf-8").write("\n\n".join(paginas))

A partir daí é refinar: ajustar o limite que decide “isto é imagem”, descontar carimbos de assinatura digital antes de medir, varrer uma pasta inteira de uma vez. Mas o coração é esse — e repare que nada saiu da sua máquina.

---

Inspirado no Sistema Marmelstein, de George Marmelstein — nosso professor e orientador, que disponibiliza seus prompts publicamente. A Crocodrila adaptou a ideia à sua rotina.