Condenados à atualização em IA
← a toca da Crocodrila
abril de 2026

Conversor PDF → TXT

Extrai o texto de PDFs judiciais na sua própria máquina — nada sai para a nuvem.

Inspirado no Sistema Marmelstein, de George Marmelstein

offlineOCRsigiloPython

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 (pelo menos uma centena de caracteres). Extração instantânea e perfeita; resolve a maioria. Os carimbos que o tribunal grava em toda folha (“Para conferir o original…”, “fls. 12”) não entram nessa conta, porque aparecem até na página escaneada.
  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.

Baixe o kit pronto

Se você usa Windows e prefere não montar do zero, a gente empacotou a versão que usamos no dia a dia. A ideia veio do Sistema Marmelstein; o código deste kit foi escrito pela Crocodrila. Vem tudo junto: o conversor, o anonimizador e uma terceira ferramenta, Limpar Metadados, que apaga do documento final os dados ocultos (autor, datas, revisões) antes de você enviar.

Atualizado em 7 de outubro de 2026. A versão anterior do kit tinha um defeito sério com autos do e-SAJ. O tribunal grava em toda folha, inclusive na escaneada, um carimbo de texto com o código de conferência e o número da folha. O conversor achava que esse carimbo era o conteúdo da página, pulava o OCR e a folha escaneada saía vazia no .txt, sem nenhum aviso. Agora o carimbo é descontado antes da decisão e a folha passa pelo OCR. Se você baixou o kit antes dessa data, baixe de novo, rode o instalador outra vez e reconverta os autos do e-SAJ que tinham páginas escaneadas.

Para instalar, clique com o botão direito no ZIP, escolha Extrair tudo e abra o arquivo COMECE-AQUI.txt: são seis passos, do Python aos atalhos na Área de Trabalho. A instalação precisa de internet uma única vez (baixa o Tesseract e um modelo de português de uns 550 MB); depois, tudo roda offline. O Windows pode avisar que o arquivo veio da internet; o roteiro mostra como seguir.

Bônus para quem usa o Claude Code. Dentro do kit, a pasta para-o-claude traz uma skill que ensina o seu Claude a chamar este conversor, com OCR, quando você pedir “converte esse PDF”. Com documento sigiloso, ela segue a ordem segura: converte e anonimiza na sua máquina antes de ler qualquer linha. O tutorial está na mesma pasta.

Ou monte o seu

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. Um cuidado que aprendemos apanhando: desconte os carimbos do tribunal antes de medir, senão a folha escaneada com carimbo passa por digital. Tudo local:

import fitz, io, re, pytesseract
from PIL import Image

# carimbos que o e-SAJ grava em toda folha, até na escaneada
CARIMBO = re.compile(r"Para conferir o original.*?código \S+|Este documento é cópia"
                     r" do original.*?sob o número \d+|^\s*fls\. \d+\s*$", re.S | re.M)

doc = fitz.open("processo.pdf")
paginas = []
for page in doc:
    texto = page.get_text().strip()
    if len(CARIMBO.sub("", texto).strip()) < 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”, incluir os carimbos de outros sistemas (o e-proc, por exemplo, põe “Evento 1, Página 1” no rodapé), 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.