Alta qualidade: conversor de PDF para JSON

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.

Converter para
Testado em 31 livros: 25 saíram limpos com o WandPDF, 2 com o Calibre (o motor do CloudConvert). Veja o teste 

PDF para JSON, antes e depois

A mesma página. Duas extrações muito diferentes.

Um conversor comum despeja o texto da página linha por linha. O WandPDF grava a estrutura.

Formatos

Converta PDF para EPUB, Kindle, Markdown, texto, HTML ou JSON.

.epub

PDF para EPUB

Um ebook EPUB para Apple Books, Kobo, Google Play Livros e qualquer app de leitura. Os capítulos viram um sumário clicável.

.azw3

PDF para Kindle (AZW3)

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.

.md

PDF para Markdown

Texto limpo com títulos, listas e tabelas para anotações, Obsidian, uma wiki ou como entrada para ChatGPT, Claude e outros LLMs.

.txt

PDF para TXT

Texto puro com parágrafos inteiros, sem números de página nem linhas quebradas. PDFs escaneados são lidos com OCR.

.html

PDF para HTML

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.

.json

PDF para JSON

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

Como converter PDF para JSON

  1. 1

    Solte o seu PDF

    Qualquer PDF: um artigo, um relatório, um manual, um livro ou um escaneamento de páginas impressas.

  2. 2

    Escolha JSON

    Um arquivo .json: o título, o sumário e uma lista simples de blocos tipados.

  3. 3

    Use os blocos

    Divida por títulos para RAG, indexe parágrafos para busca ou leia tabelas célula por célula num script.

Por dentro

O que um PDF esconde, e o WandPDF corrige.

Testado em 31 livros nos quais o parser nunca foi ajustado.

Limpo quer dizer sem defeitos graves como parágrafos quebrados, números de página soltos, cabeçalhos corridos ou texto perdido.

WandPDF25 / 31 limpos
Calibre 8.5 (usado pelo CloudConvert)2 / 31 limpos

Dúvidas

Dúvidas sobre PDF para JSON

Como é o JSON?

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.

Serve para RAG e pipelines de LLM?

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.

Cada bloco vem com a sua página e a sua caixa delimitadora?

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 as tabelas são gravadas?

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.

As imagens vão no JSON?

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.

Funciona com PDF escaneado?

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.

Quais idiomas funcionam?

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.

O que acontece com o meu arquivo?

Ele fica guardado só o tempo necessário para a conversão e para você baixar o resultado, e depois é apagado.

O seu próximo PDF merece dados limpos.

EPUB, Kindle, Markdown, texto, HTML e JSON a partir de um só envio.

Converter um PDF