Extrair dados de arquivos PDF com Python é uma tarefa bastante útil para automatizar relatórios, documentos, notas fiscais, contratos, tabelas e grandes volumes de informação.

Entre as bibliotecas mais utilizadas atualmente estão PyMuPDF, pypdf e pdfplumber. O PyMuPDF, em particular, oferece extração de texto, tabelas, imagens, metadados e até OCR para PDFs digitalizados.

Neste tutorial, vamos mostrar como criar um pequeno projeto Python para extrair informações de um PDF e colocar o código no GitHub.

1. Instale o Python

Primeiro, tenha o Python instalado no computador.

Depois, abra o terminal ou Prompt de Comando e verifique:

python --version

Em alguns sistemas, pode ser necessário utilizar:

python3 --version

---

2. Crie uma pasta para o projeto

Crie uma pasta para o programa:

extrator-pdf

Dentro dela, podemos organizar o projeto assim:

extrator-pdf/
├── main.py
├── documento.pdf
├── resultado.txt
└── requirements.txt

O arquivo main.py será responsável pela extração.

---

3. Instale o PyMuPDF

Uma das opções mais práticas atualmente é o PyMuPDF.

Instale utilizando:

pip install pymupdf

O projeto oficial disponibiliza o pacote para instalação pelo pip e possui suporte para extração de texto, tabelas, imagens e OCR.

---

4. Extraindo texto do PDF

Crie o arquivo:

main.py

Coloque:

import pymupdf

pdf = pymupdf.open("documento.pdf")

for pagina in pdf:
    texto = pagina.get_text()
    print(texto)

pdf.close()

Agora execute:

python main.py

O programa abrirá o PDF e imprimirá no terminal o texto encontrado em cada página.

---

5. Salvar o texto em um arquivo

Em vez de apenas mostrar o conteúdo no terminal, podemos salvar tudo em um arquivo .txt.

import pymupdf

pdf = pymupdf.open("documento.pdf")

with open("resultado.txt", "w", encoding="utf-8") as arquivo:

    for numero, pagina in enumerate(pdf, start=1):

        texto = pagina.get_text()

        arquivo.write(f"\n===== PÁGINA {numero} =====\n\n")
        arquivo.write(texto)

pdf.close()

print("Extração concluída!")

Depois de executar:

python main.py

será criado:

resultado.txt

---

6. Extrair apenas uma página

Também é possível trabalhar somente com uma página específica.

Por exemplo, a primeira página:

import pymupdf

pdf = pymupdf.open("documento.pdf")

pagina = pdf[0]

texto = pagina.get_text()

print(texto)

pdf.close()

No Python, a primeira página corresponde ao índice 0.

Portanto:

pdf[0]

representa a primeira página.

---

7. Extrair uma página específica

Para extrair, por exemplo, a página 5:

import pymupdf

pdf = pymupdf.open("documento.pdf")

pagina = pdf[4]

print(pagina.get_text())

pdf.close()

Isso acontece porque a numeração começa em zero:

Índice 0 → Página 1
Índice 1 → Página 2
Índice 2 → Página 3
Índice 3 → Página 4
Índice 4 → Página 5

---

8. Descobrir quantas páginas existem

Você também pode descobrir automaticamente o número de páginas:

import pymupdf

pdf = pymupdf.open("documento.pdf")

print("Número de páginas:", len(pdf))

pdf.close()

Isso é útil para criar programas que processam documentos de qualquer tamanho.

---

9. Extrair dados de uma tabela

O PyMuPDF também possui recursos para localizar tabelas dentro das páginas.

Um exemplo:

import pymupdf

pdf = pymupdf.open("documento.pdf")

for numero, pagina in enumerate(pdf, start=1):

    tabelas = pagina.find_tables()

    if tabelas.tables:

        print(f"Tabelas encontradas na página {numero}")

        for tabela in tabelas.tables:
            print(tabela.extract())

pdf.close()

Isso é especialmente interessante para PDFs contendo:

• Tabelas financeiras;
• Listas de produtos;
• Relatórios;
• Notas;
• Dados estatísticos;
• Planilhas exportadas para PDF.

---

10. Transformar uma tabela em DataFrame

Se você trabalha com análise de dados, pode transformar uma tabela encontrada no PDF em um DataFrame do Pandas.

import pymupdf

pdf = pymupdf.open("documento.pdf")

pagina = pdf[0]

tabelas = pagina.find_tables()

if tabelas.tables:

    tabela = tabelas.tables[0]

    df = tabela.to_pandas()

    print(df)

pdf.close()

A partir daí, você pode utilizar normalmente o Pandas para:

df.head()

df.describe()

df.to_csv("dados.csv", index=False)

---

11. Extrair informações específicas

Imagine que o PDF contenha:

Nome: Alexandre
Idade: 35
Cidade: Rio de Janeiro

Você pode extrair todo o texto e depois procurar determinados termos.

import pymupdf

pdf = pymupdf.open("documento.pdf")

texto_completo = ""

for pagina in pdf:
    texto_completo += pagina.get_text()

if "Nome:" in texto_completo:
    print("O documento possui informação de nome.")

if "Cidade:" in texto_completo:
    print("O documento possui informação de cidade.")

pdf.close()

Isso permite criar sistemas automatizados para localizar informações dentro de documentos.

---

12. Utilizando expressões regulares

Para extrair informações estruturadas, o módulo re do Python pode ser muito útil.

Por exemplo:

import pymupdf
import re

pdf = pymupdf.open("documento.pdf")

texto = ""

for pagina in pdf:
    texto += pagina.get_text()

cpf = re.search(r"\d{3}\.\d{3}\.\d{3}-\d{2}", texto)

if cpf:
    print("CPF encontrado:", cpf.group())

pdf.close()

Você pode adaptar as expressões regulares para procurar:

• CPF;
• CNPJ;
• CEP;
• datas;
• valores;
• números de documentos;
• códigos;
• e-mails;
• telefones.

---

13. Extrair e-mails do PDF

Por exemplo:

import pymupdf
import re

pdf = pymupdf.open("documento.pdf")

texto = ""

for pagina in pdf:
    texto += pagina.get_text()

emails = re.findall(
    r"[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}",
    texto
)

for email in emails:
    print(email)

pdf.close()

Assim, o programa procura automaticamente todos os endereços de e-mail encontrados no documento.

---

14. Extrair imagens do PDF

O PyMuPDF também permite acessar imagens incorporadas no PDF.

Exemplo:

import pymupdf
import os

pdf = pymupdf.open("documento.pdf")

os.makedirs("imagens", exist_ok=True)

for numero_pagina, pagina in enumerate(pdf):

    imagens = pagina.get_images()

    for numero_imagem, imagem in enumerate(imagens):

        xref = imagem[0]

        pix = pymupdf.Pixmap(pdf, xref)

        if pix.n > 4:
            pix = pymupdf.Pixmap(pymupdf.csRGB, pix)

        nome = f"imagens/pagina_{numero_pagina + 1}_imagem_{numero_imagem + 1}.png"

        pix.save(nome)

pdf.close()

O resultado será uma pasta:

imagens/
├── pagina_1_imagem_1.png
├── pagina_1_imagem_2.png
├── pagina_2_imagem_1.png
└── ...

---

15. Quando o PDF é escaneado

Existe uma diferença importante entre dois tipos de PDF.

Um PDF pode conter texto real:

PDF
↓
Texto selecionável
↓
Python consegue extrair

Ou pode ser simplesmente uma imagem digitalizada:

PDF
↓
Imagem
↓
Nenhum texto real

Nesse segundo caso, get_text() pode retornar pouco ou nenhum conteúdo.

É necessário utilizar OCR, reconhecimento óptico de caracteres. O PyMuPDF possui suporte a OCR através do Tesseract.

Um exemplo básico:

import pymupdf

pdf = pymupdf.open("documento-escaneado.pdf")

for pagina in pdf:

    pagina_texto = pagina.get_textpage_ocr()

    texto = pagina.get_text(textpage=pagina_texto)

    print(texto)

pdf.close()

Para esse recurso, o ambiente precisa ter os dados necessários do Tesseract disponíveis.

---

16. Outra opção: pypdf

Outra biblioteca bastante conhecida é o pypdf.

Instalação:

pip install pypdf

Uso básico:

from pypdf import PdfReader

reader = PdfReader("documento.pdf")

for pagina in reader.pages:

    texto = pagina.extract_text()

    print(texto)

O pypdf é uma biblioteca Python voltada para manipulação de PDF e também oferece extração de texto e metadados.

---

17. PyMuPDF ou pypdf?

Para uma tarefa simples de extração de texto, ambas podem funcionar.

Biblioteca	Melhor utilização
PyMuPDF	Texto, tabelas, imagens, OCR e processamento geral
pypdf	Extração de texto e manipulação de PDFs
pdfplumber	Texto, estrutura e tabelas

O PyMuPDF é uma escolha particularmente interessante quando o projeto precisa trabalhar com diferentes elementos do PDF, não apenas texto.

---

18. Usando pdfplumber

O pdfplumber também é bastante utilizado para extração detalhada de texto e tabelas.

Instale:

pip install pdfplumber

Depois:

import pdfplumber

with pdfplumber.open("documento.pdf") as pdf:

    for pagina in pdf.pages:

        texto = pagina.extract_text()

        print(texto)

Para tabelas:

import pdfplumber

with pdfplumber.open("documento.pdf") as pdf:

    for pagina in pdf.pages:

        tabelas = pagina.extract_tables()

        for tabela in tabelas:

            for linha in tabela:
                print(linha)

---

19. Criando o requirements.txt

Para colocar o projeto no GitHub, é interessante criar:

requirements.txt

Por exemplo:

pymupdf

Se utilizar Pandas:

pymupdf
pandas

Assim, outra pessoa poderá instalar as dependências com:

pip install -r requirements.txt

---

20. Criando o .gitignore

Não é uma boa ideia enviar todos os PDFs para o GitHub, especialmente se forem documentos particulares.

Crie:

.gitignore

E coloque:

*.pdf
*.txt
__pycache__/
.venv/
venv/

Dessa maneira, os documentos utilizados localmente não serão adicionados acidentalmente ao repositório.

---

21. Criando o repositório no GitHub

Depois de criar o projeto, inicialize o Git:

git init

Adicione os arquivos:

git add .

Faça o primeiro commit:

git commit -m "Criar extrator de dados de PDF"

Depois associe o projeto ao seu repositório GitHub e envie os arquivos:

git branch -M main
git push -u origin main

O repositório poderá conter:

extrator-pdf/
├── main.py
├── requirements.txt
├── .gitignore
└── README.md

---

22. Crie um README.md

Um projeto no GitHub fica muito mais fácil de entender quando possui um README.

Exemplo:

# Extrator de Dados de PDF

Projeto em Python para extrair texto e dados de arquivos PDF.

## Instalação

```bash
pip install -r requirements.txt
```

## Utilização

Coloque o PDF na pasta do projeto com o nome:

documento.pdf

Depois execute:

```bash
python main.py
```

O texto extraído será exibido no terminal.

---

23. Um extrator completo simples

Podemos juntar tudo em um programa mais organizado:

import pymupdf
import sys
from pathlib import Path


def extrair_pdf(caminho):

    arquivo = Path(caminho)

    if not arquivo.exists():
        print("Arquivo não encontrado.")
        return

    if arquivo.suffix.lower() != ".pdf":
        print("O arquivo precisa ser um PDF.")
        return

    pdf = pymupdf.open(arquivo)

    texto_total = []

    for numero, pagina in enumerate(pdf, start=1):

        texto = pagina.get_text()

        texto_total.append(
            f"\n===== PÁGINA {numero} =====\n\n{texto}"
        )

    pdf.close()

    resultado = "\n".join(texto_total)

    saida = arquivo.with_suffix(".txt")

    with open(saida, "w", encoding="utf-8") as arquivo_saida:
        arquivo_saida.write(resultado)

    print(f"Extração concluída: {saida}")


if __name__ == "__main__":

    if len(sys.argv) < 2:
        print("Uso: python main.py documento.pdf")
        sys.exit(1)

    extrair_pdf(sys.argv[1])

Agora você pode executar:

python main.py documento.pdf

E o programa criará automaticamente:

documento.txt

---

24. Transformando o projeto em uma ferramenta

A partir desse código, dá para evoluir bastante o projeto.

Por exemplo:

PDF
 ↓
Python
 ↓
Extração de texto
 ↓
Identificação de dados
 ↓
Banco de dados
 ↓
CSV / Excel
 ↓
API
 ↓
Inteligência artificial

Você pode criar um sistema que recebe centenas de PDFs, identifica informações específicas e transforma tudo em dados estruturados.

Conclusão

Extrair dados de PDF usando Python não precisa ser complicado.

Para começar, o PyMuPDF oferece uma solução bastante completa para trabalhar com texto, tabelas, imagens e OCR.

O fluxo básico é:

Python
   ↓
PyMuPDF
   ↓
Abrir PDF
   ↓
Ler páginas
   ↓
Extrair texto
   ↓
Identificar informações
   ↓
Salvar os dados
   ↓
Enviar o código para o GitHub

Para PDFs simples, poucas linhas de Python já são suficientes. Para documentos complexos, é possível avançar para extração de tabelas, OCR, expressões regulares, Pandas, bancos de dados e processamento automático de centenas ou milhares de documentos.