Como Extrair Tabelas de um PDF

Por que é tão difícil extrair tabelas de PDF

Um PDF não tem o conceito de tabela. O que parece linhas e colunas é só um conjunto de fragmentos de texto posicionados em coordenadas x/y, às vezes com linhas desenhadas entre eles. A "tabela" existe apenas aos seus olhos — o arquivo não guarda células, nem linhas, nem cabeçalho.

Todo método de extração é, portanto, uma reconstrução: um algoritmo tentando adivinhar quais fragmentos de texto pertencem à mesma célula, quais células formam uma linha e onde as colunas começam. Tabelas com grade visível são mais fáceis de reconstruir; tabelas separadas só por espaços, células mescladas, células com várias linhas de texto e tabelas que atravessam páginas são onde a maioria das ferramentas falha.

PDFs escaneados adicionam outra camada: a página é uma fotografia, então não existe texto algum até o OCR rodar. Escolha o método com base em quais desses problemas o seu documento tem.

Método 1: Copiar e colar no Excel (rápido, tabelas pequenas com grade)

Para uma tabela simples e bem delimitada, selecione-a no seu leitor de PDF, copie e cole no Excel ou no Google Sheets. Se tudo cair em uma única coluna, use Dados → Texto para Colunas (Excel) ou Dados → Dividir texto em colunas (Sheets) para separar os valores de novo.

Uma variação útil: cole primeiro em um editor de texto simples para ver que estrutura sobreviveu. Se os valores estiverem separados por espaços ou tabulações consistentes, o Texto para Colunas recupera a tabela; se as linhas estiverem intercaladas ou truncadas, nenhuma divisão vai consertar.

Quando funciona: tabelas de uma página com grade e valores curtos nas células. Quando falha: células mescladas, texto em várias linhas dentro das células, números com separador de milhar sendo partidos ao meio e qualquer documento escaneado.

Método 2: Power Query do Excel ou Word (nativo, sem ferramentas extras)

O Excel moderno importa tabelas de PDF diretamente: Dados → Obter Dados → De Arquivo → De PDF. O Excel varre o documento, lista cada tabela detectada e mostra uma prévia — escolha a tabela, clique em Carregar e ela chega como um intervalo de planilha de verdade. É a melhor opção nativa no Windows (exige licença do Microsoft 365 ou 2021+ e não está disponível em todas as versões do Excel para Mac).

O Word também abre PDFs diretamente (Arquivo → Abrir → selecione o PDF). Ele converte o documento em um arquivo editável, e tabelas simples costumam sobreviver como tabelas reais do Word, que você pode copiar para o Excel.

Quando funciona: PDFs criados digitalmente com tabelas de grade bem definida. Quando falha: tabelas separadas só por espaços são frequentemente ignoradas ou divididas errado, tabelas de várias páginas chegam como fragmentos separados, e PDFs escaneados não produzem nada — o Power Query não faz OCR.

Método 3: Bibliotecas Python — camelot, tabula-py, pdfplumber (desenvolvedores)

Se você precisa extrair tabelas de muitos PDFs de forma programática, as opções open source consolidadas são camelot (melhor em tabelas com grade, dois modos de detecção), tabula-py (um wrapper do motor Java Tabula, sólido em layouts consistentes) e pdfplumber (controle de baixo nível sobre palavras, linhas e retângulos — melhor quando você precisa de lógica própria).

Um exemplo mínimo com camelot: pip install camelot-py[cv], depois tables = camelot.read_pdf("report.pdf", pages="all") e tables[0].df devolve um DataFrame do pandas. Exporte com .to_csv() ou .to_excel().

O porém: cada biblioteca tem um estilo de layout preferido, e documentos do mundo real misturam estilos. Espere ajustar configurações por família de documento (flavor="stream" vs "lattice" no camelot, dicas de área no tabula), e nenhuma delas lida com PDFs escaneados — seria preciso rodar OCR antes e perder o layout no processo.

Para uma visão mais ampla de parsing de PDF em Python além de tabelas, veja nosso guia de conversão de PDF para Markdown em Python.

Método 4: Extração com IA (PDFs escaneados, layouts mistos, escala)

A abordagem mais recente usa modelos de compreensão de documentos que leem a página como uma pessoa leria — detectando a estrutura da tabela pelo layout visual, em vez de depender de linhas de grade ou heurísticas de coordenadas. É a única classe de método que trata documentos escaneados, páginas fotografadas e layouts inconsistentes em uma única passada.

O ParseJet funciona assim: faça upload de um PDF em parsejet.com/tools/pdf-to-markdown e as tabelas voltam como tabelas Markdown limpas, na ordem de leitura — páginas escaneadas passam por OCR automaticamente. Se você quer dados em vez de texto, a API devolve o documento parseado como saída estruturada (veja a ferramenta de PDF para JSON), e um POST por arquivo torna tudo viável em pipelines de lote.

Quando funciona: documentos escaneados e fotografados, layouts mistos de grade e espaço em branco, e processamento em lote onde ajustar por documento é impossível. O trade-off: é um serviço hospedado — para uma tabela pontual em um PDF limpo, o Método 1 ou 2 é mais rápido.

Qual método você deve usar?

Uma tabela pequena com grade, uma única vez: copiar e colar (Método 1), com o Power Query do Excel (Método 2) como plano B se a colagem embaralhar.

Relatórios recorrentes com o mesmo layout: Power Query para quem vive de planilha, camelot ou tabula-py (Método 3) para desenvolvedores — a configuração única se paga em cada arquivo futuro.

Documentos escaneados, fotos ou layouts bagunçados: extração com IA (Método 4) é, na prática, a única opção que não envolve redigitar tudo.

Centenas de documentos com layouts variados: Método 4 via API — ajustar as bibliotecas do Método 3 por documento não escala além de um punhado de famílias de layout.