Por que sua ferramenta de extração de PDF acerta 98% em um arquivo
e falha em outro? — 3 tipos de PDF explicados
Você processou dois PDFs que parecem idênticos na tela. Um saiu limpo, com 98%. O outro virou uma bagunça de colunas desalinhadas e campos ausentes. A diferença? Um era um PDF baseado em texto, o outro era somente imagem — e sua ferramenta de extração lidou com eles de formas completamente diferentes.

Principais conclusões
- Dois PDFs produzem 98% e lixo com a mesma ferramenta de extração — e parecem idênticos na tela porque PDF não é um único formato, mas três contêineres estruturalmente diferentes.
- Um PDF híbrido esconde uma camada de texto na página um e uma imagem digitalizada na página três, então sua ferramenta lê silenciosamente a fonte de dados errada em metade das páginas e retorna números que parecem corretos, mas não são.
- Tente selecionar o texto com o cursor — um teste de dez segundos revela qual dos três tipos de PDF você tem e exatamente qual estratégia de extração aplicar.
Os Três Tipos de PDF Que Determinam o Sucesso da Extração

Se você já abriu dois PDFs lado a lado, confirmou que continham o mesmo tipo de informação, passou ambos pela mesma ferramenta de extração e obteve resultados completamente diferentes — você não está sozinho. Essa é a reclamação mais comum sobre ferramentas de extração de documentos, e quase nunca é culpa da ferramenta.
O problema é que PDF não é um único formato. É um contêiner que pode armazenar texto de três maneiras fundamentalmente diferentes, e a maioria das ferramentas de extração lida bem com apenas um ou dois deles. A distinção que importa não é se o arquivo termina em .pdf — é se o arquivo contém uma camada de texto incorporada, uma imagem plana de texto, ou ambos. Veja como cada tipo se apresenta por dentro:
Criado por software — um documento do Word salvo como PDF, uma exportação do QuickBooks, um relatório gerado por ERP. Contém uma camada de texto incorporada com dados reais de caracteres, informações de fonte e coordenadas de posição. Você pode destacar, selecionar e copiar palavras individuais com o mouse.
Precisão com extração padrão: >95%. Não requer OCR.
Uma fotografia ou digitalização de um documento em papel salva como PDF. Não existe camada de texto — cada caractere é simplesmente pixels organizados em um padrão. Tente selecionar o texto e o cursor desenha um retângulo vazio; nada é destacado. O documento é essencialmente uma foto dentro de um invólucro PDF.
Requer OCR ou uma IA de visão. Precisão: 85–99% dependendo da qualidade da digitalização.
Uma mistura dos dois: uma camada de texto e imagens incorporadas. Exemplos comuns incluem um contrato com páginas de assinatura digitalizadas, ou um pacote de contas a pagar em que a página 1 é um resumo gerado pelo sistema seguido de fotos dos recibos comprobatórios.
O tipo mais perigoso. A ferramenta pode ler a camada errada e produzir resultados sem sentido que parecem plausíveis.
A percepção central: você não pode julgar um PDF pela aparência na tela. Dois arquivos que são exibidos de forma idêntica podem ser estruturalmente diferentes no nível do formato. Se sua ferramenta de extração lidou perfeitamente com o primeiro e produziu uma bagunça embaralhada no segundo, a explicação mais provável é que eles pertencem a tipos de PDF diferentes — e a ferramenta aplicou a estratégia de extração errada.
Como Diagnosticar o Seu em 10 Segundos — Três Testes

Você não precisa de uma ferramenta de análise de PDF nem de um desenvolvedor para descobrir que tipo de PDF você tem. Todo sistema operacional vem com a única ferramenta necessária: um leitor de PDF. Estes três testes levam menos tempo do que enviar um arquivo para um analisador online:
Teste 1: O Teste de Selecionar Texto (Mais Confiável)
Abra o PDF em qualquer leitor — Adobe Acrobat, Chrome, Pré-Visualização do macOS ou um app de PDF para celular. Clique na ferramenta de seleção de texto (geralmente um cursor em forma de I-beam ou um ícone T) e tente arrastar para selecionar uma frase ou um número.
- Se palavras individuais forem destacadas e você conseguir copiá-las: o PDF tem uma camada de texto utilizável. Ou é um PDF nativo baseado em texto, ou foi processado por OCR. A extração padrão deve funcionar.
- Se o cursor desenhar um retângulo vazio e nada for destacado: o PDF é somente imagem. Não há camada de texto para nenhuma ferramenta extrair — apenas pixels. É necessário OCR ou IA de visão.
Este teste é definitivo. Um documento digitalizado produz exatamente zero texto selecionável, por mais nítido que o texto pareça aos seus olhos. O sistema visual humano lê os padrões de pixels como texto. O computador vê uma imagem.
Teste 2: O Teste de Pesquisa (Alternativa Rápida)
Pressione Ctrl+F (ou Cmd+F no Mac) e digite uma palavra que você sabe que aparece no documento — por exemplo, "Total" em uma fatura ou "Data" em um contrato.
- Se a palavra for encontrada e destacada: o PDF contém texto pesquisável. A extração deve funcionar com métodos padrão.
- Se a pesquisa não retornar nenhum resultado, apesar de a palavra estar visível na página: o documento é somente imagem.
Teste 3: O Teste de Resultados Mistos (Para Detecção Híbrida)
Este é o teste que a maioria das pessoas pula, e é a razão pela qual PDFs híbridos ficam sem diagnóstico. Execute o Teste 1 em todas as páginas, não apenas na primeira página. Selecione o texto na página 1, depois role até a página 3, depois a página 5.
- Se algumas páginas têm texto selecionável e outras não: você está diante de um PDF híbrido. Este é o cenário que produz as falhas de extração mais desconcertantes — a ferramenta processa as páginas 1 e 2 perfeitamente (elas têm uma camada de texto limpa), depois produz colunas desalinhadas e campos ausentes na página 3 (que é uma imagem digitalizada dentro do mesmo arquivo). Como o nome do arquivo é o mesmo e o layout visual parece consistente, parece que a ferramenta "quebrou" no meio do processamento.
Depois de identificar o tipo do seu PDF, a solução se torna simples. Cada tipo tem uma causa raiz diferente e uma solução diferente.
Causa 1: PDF Baseado em Texto Que Ainda Produz Lixo
Sintomas: O texto é selecionável, o PDF foi criado por software, mas a saída extraída contém colunas fora de ordem, células de tabela mescladas ou caracteres que não correspondem ao que está na tela.
Por que acontece: Um PDF não armazena texto como um documento do Word. Em vez de um parágrafo linear com uma ordem de leitura definida, um PDF codifica o texto como uma série de instruções de desenho — coloque o caractere "I" nas coordenadas (72, 540), coloque "n" em (78, 540), e assim por diante. Não há conceito inerente de parágrafos, ordem de leitura ou estrutura de tabela embutido no formato. O PDF sabe onde cada caractere está na página, mas não tem nenhuma compreensão do que o texto significa ou de como deve ser lido.
As ferramentas de extração precisam reconstruir a estrutura lógica a partir dessas instruções posicionais de baixo nível. Quando um PDF foi gerado com codificação de fonte incomum, mapeamento de caracteres personalizado (CMap) ou produtores de PDF não padronizados, a reconstrução pode produzir saída embaralhada mesmo que o arquivo tecnicamente contenha uma camada de texto. Isso é mais comum com:
- PDFs gerados por ERP: Alguns sistemas corporativos usam geradores de PDF personalizados que codificam o texto de maneiras não padronizadas — os caracteres parecem corretos na tela porque seu leitor de PDF aplica sua própria renderização de texto, mas a codificação subjacente é não padronizada e as ferramentas de extração não conseguem interpretá-la corretamente.
- PDFs com subconjuntos de fontes incorporados: Quando apenas um subconjunto de caracteres da fonte é incorporado, a ferramenta de extração pode mapear glifos para os caracteres Unicode errados, produzindo "texto" que é alfabeticamente adjacente ao conteúdo real, mas semanticamente incorreto.
- Layouts de múltiplas colunas: Mesmo PDFs baseados em texto bem formados podem produzir saída embaralhada quando a ferramenta de extração lê de cima para baixo atravessando duas colunas. As frases saltam do fim da coluna esquerda para o fim da coluna direita — completamente ilegíveis.
Como corrigir: Para PDFs baseados em texto que são extraídos mal devido a problemas de codificação ou layout, achate o PDF em imagens e use uma ferramenta de IA de visão. Ao converter as páginas do PDF em imagens de alta resolução (300 DPI ou superior) e alimentá-las com um modelo de linguagem visual — que trata a página como uma cena visual em vez de um fluxo de texto — você contorna todo o problema de codificação e ordem de leitura. A IA lê o documento da mesma forma que um humano: olhando para a página e compreendendo sua estrutura visual.
O ImageToTable.ai lida com isso automaticamente: quando você envia um PDF, seu modelo de visão lê a página renderizada como uma imagem, não a camada de texto. Isso significa que até PDFs baseados em texto mal codificados são processados corretamente, porque a extração não depende do fluxo de texto interno do PDF.
Causa 2: PDF somente com imagem — nenhuma camada de texto
Sintomas: Você não consegue selecionar nenhum texto em nenhuma página. O arquivo parece normal quando você o visualiza, mas toda ferramenta de extração retorna resultados vazios ou lixo de OCR. O documento é efetivamente um conjunto de fotos coladas em um invólucro PDF.
Por que acontece: Este é o cenário de PDF mais comum no mundo empresarial real. Um fornecedor imprime uma fatura, assina, carimba e a digitaliza de volta para um arquivo digital. Ou um inspetor de campo preenche um formulário em papel, fotografa com o celular e envia por e-mail a imagem salva como PDF. A estrutura interna do PDF contém exatamente um objeto por página: uma única imagem achatada. Há zero objetos de caractere, zero referências de fonte e zero instruções de renderização de texto.
Ferramentas de extração tradicionais — incluindo bibliotecas Python como pdfplumber e o modo de extração de texto do PyMuPDF, bem como a importação de PDF integrada do Excel — leem apenas a camada de texto. Quando abrem um PDF somente com imagem, não encontram nada para extrair e retornam resultados em branco. Isso não é um bug nem uma limitação da ferramenta. A ferramenta está funcionando corretamente. O documento simplesmente não contém o que a ferramenta precisa.
Como corrigir: PDFs somente com imagem exigem OCR (Optical Character Recognition) ou uma IA de visão. A ferramenta de extração precisa ser capaz de ler a página como imagem, reconhecer os padrões de pixels como caracteres e reconstruir o texto. É aqui que a qualidade da digitalização determina diretamente a precisão do resultado.
Uma digitalização em alta resolução (300 DPI ou mais) com bom contraste, sem sombras e com inclinação mínima produzirá precisão de extração acima de 95% com ferramentas modernas. Uma digitalização em baixa resolução — pense na foto de celular de um recibo amassado sob iluminação ruim — pode derrubar a precisão para abaixo de 70%. Extração por IA de PDFs digitalizados normalmente lida com essa faixa porque modelos de visão são treinados para ler documentos em condições do mundo real, não apenas digitalizações impecáveis.
A distinção principal: PDFs somente com imagem são consistentemente solucionáveis — toda página precisa da mesma abordagem (leitura visual), e a qualidade do resultado é previsível com base na qualidade da fonte. A verdadeira armadilha é o tipo que se comporta de forma inconsistente.Causa 3: O híbrido oculto que arruína tudo
Sintomas: Algumas páginas são extraídas perfeitamente. Outras produzem saída embaralhada, colunas desalinhadas ou campos ausentes. As páginas que falham parecem iguais às que funcionam. A ferramenta de extração parece quebrar "aleatoriamente" no meio do lote.
Por que acontece: PDFs híbridos são a causa mais subdiagnosticada de falhas de extração porque se parecem exatamente com PDFs normais. Um PDF híbrido contém tanto uma camada de texto quanto imagens incorporadas, muitas vezes em páginas diferentes. Veja o cenário que produz isso:
- Um empreiteiro de construção envia uma solicitação de pagamento AIA G702. A página 1 é gerada pelo software de contabilidade dele (baseada em texto). As páginas 2 a 5 são cópias digitalizadas de ordens de mudança assinadas (somente imagem). O conjunto inteiro é mesclado em um único arquivo PDF.
- Uma corretora de seguros envia um Certificado de Seguro. A primeira página é uma exportação digital do sistema dela. A segunda página é uma cópia digitalizada do endosso original da apólice.
- Um e-mail de fornecedor inclui um "pacote completo de fatura" — a fatura propriamente dita é um PDF digital, mas a lista de embalagem e a confirmação de entrega anexadas são fotos digitalizadas salvas no mesmo documento.
Quando uma ferramenta tradicional processa um PDF híbrido, ela aplica uma única estratégia de extração ao arquivo inteiro. Se a ferramenta lê a camada de texto, as páginas 2 a 5 não retornam nada (elas não têm camada de texto). Se a ferramenta aplica OCR a tudo, ela pode extrair o texto duas vezes das páginas que já tinham uma camada de texto limpa — produzindo dados duplicados ou mesclados. Algumas ferramentas tentam ler as duas camadas simultaneamente e produzem uma saída que é uma mistura confusa das duas, onde colunas da camada de texto e colunas da camada de OCR se intercalam aleatoriamente.
Este é o modo de falha mais perigoso porque a saída parece dados reais. Há números nas células, datas que coincidem e nomes que parecem corretos — mas os totais estão errados, os itens de linha estão desalinhados e a extração não pode ser confiada sem uma verificação manual completa que anula o propósito da automação.
Como corrigir — duas opções:
Converta cada página do PDF híbrido em uma imagem de alta resolução (usando uma ferramenta como Exportar Todas as Imagens do Adobe Acrobat ou um conversor gratuito) e depois recombine as imagens em um único PDF somente de imagens. Agora cada página é uniformemente uma imagem — sem camadas mistas para confundir a ferramenta de extração.
Melhor para: Usuários que trabalham com ferramentas que lidam bem com PDFs baseados em imagem, mas se confundem com camadas mistas.
Algumas ferramentas de extração com IA, incluindo ImageToTable.ai, processam todos os PDFs lendo a página renderizada como imagem por padrão — ignorando efetivamente a camada de texto e tratando o documento inteiro visualmente. Isso contorna o problema híbrido por completo, porque a ferramenta nunca tenta reconciliar duas fontes de dados diferentes.
Melhor para: Usuários que processam um alto volume de documentos de fornecedores e não podem inspecionar cada arquivo antes do processamento.
Quando Achatar, Quando Trocar — Um Framework de Decisão Prático

Aqui está uma referência rápida para diagnosticar e resolver qualquer problema de extração de PDF com base no tipo que você identificou:
| Seu diagnóstico | Sua correção | Precisão esperada |
|---|---|---|
| Baseado em texto, extrai corretamente | Nada necessário — sua ferramenta e seu arquivo são compatíveis | >95% |
| Baseado em texto, extrai com colunas corrompidas | Achate para imagens e use uma ferramenta de IA de visão | >95% após o achatamento |
| Somente imagem, boa qualidade de digitalização | Use qualquer ferramenta com OCR ou IA de visão | 90–99% |
| Somente imagem, qualidade de digitalização ruim | Melhore o documento de origem primeiro, depois use IA de visão | 70–90% (depende da origem) |
| Híbrido (páginas mistas) | Achate o arquivo inteiro ou use o modo somente imagem | Igual à taxa de somente imagem após a correção |
A abordagem de achatamento — converter cada página em uma imagem limpa — é a solução universal que funciona para todos os três tipos de PDF. Não é um hack. É uma estratégia deliberada para remover a ambiguidade de formato do pipeline de extração. Quando cada página é uniformemente uma imagem, a ferramenta de extração aplica um único método consistente e a saída se torna previsível.
Este framework de decisão cobre problemas de tipo de PDF. Se suas colunas estão corretamente estruturadas e o tipo de PDF está certo, mas os números extraídos estão consistentemente errados — um total que sai como o subtotal, ou uma data trocada por outra data — o problema pode estar em como você definiu suas colunas de extração. Nomes de colunas ambíguos são uma das causas mais comuns de números extraídos errados, e a correção geralmente é tão simples quanto renomear "Total" para "Total Amount Due."
Perguntas frequentes
"Verifiquei e todas as minhas páginas têm texto selecionável. Por que a extração ainda produz resultados corrompidos?"
O texto selecionável confirma que existe uma camada de texto, mas não garante que ela esteja bem formada. Alguns geradores de PDF criam camadas de texto com codificação de caracteres ou tabelas CMap não padronizadas que são exibidas corretamente na tela (seu leitor de PDF aplica sua própria renderização de fontes), mas são difíceis de interpretar pelas ferramentas de extração. Nesse caso, trate o arquivo como se fosse somente imagem: converta em imagens e use uma ferramenta que leia a página visualmente.
"A mesma ferramenta consegue lidar com os três tipos de PDF?"
Sim, se a ferramenta ler o documento visualmente em vez de depender da camada de texto. Ferramentas que dependem exclusivamente da extração da camada de texto (a maioria das bibliotecas de conversão de PDF para texto, a importação de PDF nativa do Excel) só conseguem lidar com PDFs baseados em texto. Ferramentas com IA de visão — como o ImageToTable.ai — processam todos os tipos de PDF de forma uniforme, pois renderizam cada página como imagem e a leem da mesma forma que um humano faria.
"Minha ferramenta não informa qual tipo ela suporta. Como faço para saber?"
Faça o teste de seleção de texto em um PDF que você sabe ser somente imagem (um documento digitalizado em que nada fica destacado). Se a sua ferramenta extrair dados dele, ela usa alguma forma de leitura visual ou OCR. Se retornar resultados vazios, ela depende da camada de texto. A maioria dos analisadores de PDF simples se enquadra na segunda categoria.
"Se eu digitalizar todos os meus documentos em papel em resolução mais alta, isso resolverá o problema?"
Uma resolução mais alta melhora a precisão do OCR em PDFs somente imagem, mas não altera o problema fundamental — um PDF somente imagem continua sem camada de texto para as ferramentas tradicionais lerem. Se a sua ferramenta de extração não suportar leitura visual, mesmo uma digitalização em 600 DPI não retornará nada. Atualize a ferramenta, não apenas a qualidade da digitalização.
"E se um PDF tiver passado por OCR feito por outra pessoa antes de eu recebê-lo? Isso muda alguma coisa?"
Um PDF com OCR tem uma camada de texto invisível adicionada sobre a imagem digitalizada. O teste de seleção de texto funcionará (o texto fica destacado), e a maioria das ferramentas de extração terá sucesso. No entanto, a qualidade da imagem subjacente ainda importa — se a digitalização original era ruim, a camada de texto do OCR pode conter erros de caracteres que a sua ferramenta de extração herda. Algumas ferramentas de IA de visão podem ser configuradas para refazer o OCR da imagem diretamente em vez de confiar na camada de texto incorporada, o que pode melhorar a precisão em documentos com OCR de baixa qualidade.
Não sabe com que tipo de PDF está trabalhando? Envie uma amostra e veja como uma ferramenta baseada em visão lida com isso — sem necessidade de cadastro.
Testar extração de PDF no seu arquivo