Processamento de documentos

Extrator de texto: PDF, Word e Excel em texto limpo e Markdown

Extraia texto, Markdown, tabelas e metadados de arquivos PDF, Word, Excel, PowerPoint, EPUB, HTML e CSV. Páginas digitalizadas são lidas com OCR em 19 idiomas, e os documentos podem ser divididos em chunks prontos para RAG em pipelines de LLM.

19 usuários97.3% execuções bem-sucedidas (30 dias)

Executar na Apify — teste grátis Usar via API

Quais dados você recebe

`markdown`	Markdown limpo com títulos, listas e tabelas
`fullText`	Documento inteiro em texto puro
`tables`	Cada tabela em Markdown e como array de linhas
`metadata`	Metadados do documento
`pages`	Texto e Markdown opcionais página a página
`ragChunks`	Chunks opcionais com caminho de títulos
`ocrText`	Texto de páginas digitalizadas lido com OCR

Como funciona

Abra o scraper na Apify e cadastre-se grátis.
Preencha rotas, datas e opções no formulário.
Clique em Start e baixe os resultados em JSON, CSV ou Excel, ou use a API.

Preço

$0.15 por 1.000 linhas

Pagamento por evento: você paga por documento processado e por página analisada, além de cada página de OCR quando ativar o OCR de páginas digitalizadas.

A Apify oferece US$ 5 em créditos grátis todo mês, o suficiente para testar este scraper sem custo.

Exemplos de tarefas

Entradas prontas. Copie para o formulário do scraper ou envie pela API.

Converter PDF em Markdown com tabelas

Saída em Markdown com todas as tabelas extraídas.

{
  "urls": [
    "https://raw.githubusercontent.com/lergassy/apify-actor-assets/main/document-text-extractor/sample-report.pdf"
  ],
  "includeMarkdown": true,
  "extractTables": true
}

Executar esta tarefa →

Dividir arquivos PDF e Word em chunks para RAG

Chunks de 1.200 caracteres com sobreposição de 120.

{
  "urls": [
    "https://raw.githubusercontent.com/lergassy/apify-actor-assets/main/document-text-extractor/sample-report.pdf",
    "https://raw.githubusercontent.com/lergassy/apify-actor-assets/main/document-text-extractor/sample-contract.docx"
  ],
  "chunkForRag": true,
  "chunkSize": 1200,
  "chunkOverlap": 120
}

Executar esta tarefa →

OCR de páginas digitalizadas de um PDF

Lê até 20 páginas sem camada de texto.

{
  "urls": [
    "https://raw.githubusercontent.com/lergassy/apify-actor-assets/main/document-text-extractor/sample-report.pdf"
  ],
  "ocrScannedPages": true,
  "ocrLanguage": "eng",
  "ocrMaxPagesPerDocument": 20
}

Executar esta tarefa →

Extrair texto das 5 primeiras páginas de um PDF

Texto página a página da 1 à 5.

{
  "urls": [
    "https://raw.githubusercontent.com/lergassy/apify-actor-assets/main/document-text-extractor/sample-report.pdf"
  ],
  "pageRange": "1-5",
  "includePages": true
}

Executar esta tarefa →

Casos de uso

Devs de IA e RAG: transformam PDFs e arquivos do Office em chunks Markdown para embeddings.
Times de operações: tiram texto e tabelas de relatórios, notas e contratos.
Pesquisadores: obtêm texto pesquisável de artigos e livros digitalizados.
Quem cria automações: adiciona leitura de documentos a fluxos no Make, n8n ou Zapier.

Perguntas frequentes

Quais tipos de arquivo são suportados?

PDF, DOCX, XLSX, PPTX, EPUB, HTML, CSV e TXT, por URL, upload ou base64.

Ele lê PDFs digitalizados?

Sim. Ative o OCR de páginas digitalizadas e escolha entre 19 idiomas.

Funciona com PDF protegido por senha?

Sim, se você informar a senha.

É legal extrair texto de documentos?

A ferramenta só processa os arquivos que você fornece. Garanta que tem direito de usá-los e que o tratamento de dados pessoais neles respeita a LGPD e demais leis aplicáveis.

Como levo os dados para o meu app?

Pela API da Apify, pelos clientes Python ou JavaScript ou pelas integrações com Make, n8n, Zapier e Google Sheets.

Mais scrapers

Scraper do ThreadsDados de redes sociais Google Flights ScraperDados de viagem Scraper da ShopeeDados de e-commerce Scraper de perfis do LinkedInGeração de leads Scraper do ZillowDados imobiliários Scraper do Mercado LivreDados de e-commerce

Transforme qualquer documento em texto limpo

Executar na Apify — teste grátis