PDF para EPUB
Um ebook EPUB para Apple Books, Kobo, Google Play Livros e qualquer app de leitura. Os capítulos viram um sumário clicável.
Transforme um PDF em JSON estruturado.
Extrair o texto de um PDF dá linhas, não um documento. O WandPDF reconstrói a estrutura e a grava em JSON: cada título, parágrafo, lista, tabela e nota de rodapé como um bloco próprio, na ordem de leitura.
Testado em 31 livros: 25 saíram limpos com o WandPDF, 2 com o Calibre (o motor do CloudConvert). Veja o testePDF para JSON, antes e depois
Um conversor comum despeja o texto da página linha por linha. O WandPDF grava a estrutura.
Formatos
Um ebook EPUB para Apple Books, Kobo, Google Play Livros e qualquer app de leitura. Os capítulos viram um sumário clicável.
Um arquivo AZW3 para aparelhos e apps Kindle. Mude o tamanho da letra e o texto se ajusta, sem precisar dar zoom numa página minúscula.
Texto limpo com títulos, listas e tabelas para anotações, Obsidian, uma wiki ou como entrada para ChatGPT, Claude e outros LLMs.
Texto puro com parágrafos inteiros, sem números de página nem linhas quebradas. PDFs escaneados são lidos com OCR.
Uma página web legível com títulos de verdade, tabelas e notas de rodapé, com as imagens dentro. Se adapta ao celular, em vez de copiar a página impressa.
O documento em blocos tipados na ordem de leitura: títulos, parágrafos, listas, células de tabela, notas de rodapé. Para RAG, busca e scripts.
PróximoDepois vem o Word: um documento editável, não uma cópia do layout da página.
Como funciona
Qualquer PDF: um artigo, um relatório, um manual, um livro ou um escaneamento de páginas impressas.
Um arquivo .json: o título, o sumário e uma lista simples de blocos tipados.
Divida por títulos para RAG, indexe parágrafos para busca ou leia tabelas célula por célula num script.
Por dentro
Deixam de aparecer no meio das frases.
Voltam a formar um só parágrafo.
Cortadas no fim da linha voltam a ficar inteiras.
São lidas coluna por coluna, e não de lado a lado.
Continuam ligadas ao trecho a que pertencem.
Mantêm as legendas, e o texto ao lado de uma imagem continua sendo texto.
Limpo quer dizer sem defeitos graves como parágrafos quebrados, números de página soltos, cabeçalhos corridos ou texto perdido.
Dúvidas
Um objeto com title, author, lang, pages (o número de páginas), toc e blocks. Cada bloco tem um tipo (heading, paragraph, list, table, figure, math, code, footnote, quote ou note), o capítulo a que pertence e o seu conteúdo: text na maioria, items numa lista, linhas de células numa tabela, LaTeX numa fórmula destacada. Cada bloco também tem os campos page e bbox, descritos abaixo.
É para isso que ele existe. Cabeçalhos, números de página impressos e hifenização são removidos do texto, os parágrafos vêm inteiros e na ordem de leitura, e os títulos são marcados, então dá para dividir por seções reais em vez de janelas de tamanho fixo. Cada bloco guarda também a sua página do PDF, o que permite que uma resposta cite a fonte.
Sim. Cada bloco tem um campo page, a página do PDF em que começa (contando a partir de 1), e um campo bbox, a sua caixa delimitadora nessa página no formato [x0, top, x1, bottom], em pontos (1/72 de polegada) a partir do canto superior esquerdo da página, com o y crescendo para baixo, como no pdfplumber. Com eles dá para citar a página de origem ou destacar o trecho num visualizador de PDF. O campo page é a posição da página no arquivo e pode ser diferente do número impresso nela. Um bloco que continua depois de uma quebra de página ou em outra coluna também tem os seus próprios arrays pages e bboxes, com uma entrada por parte.
Como linhas de células, cada uma com o seu texto e, quando se aplica, a marca de cabeçalho e o colspan e rowspan. Tabelas desenhadas com linhas saem com mais segurança; algumas tabelas sem linhas ainda saem como parágrafos.
Não. Um bloco figure traz o texto alternativo e a legenda da imagem, não a imagem em si. Escolha EPUB, HTML ou Markdown para manter as imagens.
Sim, em inglês, alemão, francês, espanhol, italiano, português e russo. Quando as páginas são imagens, o WandPDF reconhece o texto de cada uma (OCR) e monta o livro a partir dele, para você poder mudar o tamanho da letra e pesquisar no texto. Um livro escaneado longo leva alguns minutos, e a página mostra quanto já foi feito.
Inglês e outros idiomas com alfabeto latino, além de chinês e japonês. Árabe, hebraico e outras escritas da direita para a esquerda ainda estão em desenvolvimento.
Ele fica guardado só o tempo necessário para a conversão e para você baixar o resultado, e depois é apagado.
EPUB, Kindle, Markdown, texto, HTML e JSON a partir de um só envio.
Converter um PDF