Reescrever uma passagem longa de um PDF é uma perda de tempo quando as palavras já estão no arquivo. Extrair texto retira o conteúdo legível para um arquivo .txt que pode colar noutro documento, alimentar num tradutor ou analisar.
A maioria dos PDFs contém uma camada de texto oculta — os caracteres reais que tornam o documento selecionável e pesquisável. A extração de texto lê essa camada diretamente. O ColaPDF usa o motor PDF.js da Mozilla para o fazer no seu navegador, por isso o documento nunca tem de ser enviado.
Os documentos digitalizados são diferentes. Uma digitalização pura é apenas uma imagem de uma página, sem camada de texto, por isso não há nada para extrair até o arquivo passar por Reconhecimento Ótico de Caracteres (OCR), que converte a imagem do texto em caracteres reais. Se a extração não devolver nada de um arquivo digitalizado, é por isso.
A extração devolve texto simples, por isso o layout complexo — colunas, tabelas, estilo de fonte — não é preservado. O objetivo é recuperar as palavras rapidamente, não reproduzir o design. Para uma forma rápida de retirar citações, dados ou passagens longas, é exatamente o que quer.