Como deixar um PDF escaneado pesquisável?
Um PDF escaneado é uma pilha de fotos. Você consegue ler, mas o computador não: a pesquisa não acha nada e, quando você tenta selecionar o texto, pega a página inteira como imagem. O OCR, que algumas ferramentas em português chamam de ROC (reconhecimento óptico de caracteres), resolve isso reconhecendo as letras de cada página e guardando tudo como texto que o computador entende.
Escolha o arquivo, marque os idiomas impressos nele e deixe PDF pesquisável como resultado. A ferramenta renderiza cada página em alta resolução, reconhece o texto e coloca uma camada de texto invisível exatamente sobre as palavras da página original. O resultado abre em qualquer leitor de PDF. Fica idêntico à sua digitalização, mas agora a pesquisa, a seleção e a cópia de texto funcionam, e a busca de arquivos do computador encontra o PDF pelo conteúdo.
Páginas que já têm texto de verdade, como uma capa digitada em um arquivo que no resto foi escaneado, ficam como estão, então você nunca recebe as mesmas palavras duas vezes.
Dica: Marque só os idiomas que realmente aparecem no documento. Cada idioma a mais deixa o reconhecimento um pouco mais lento e dá ao motor mais chances de chutar a palavra errada.
Como converter PDF escaneado em texto?
Escolha Arquivo de texto (.txt) como resultado. Você recebe um único arquivo de texto simples com as palavras de todas as páginas, com uma linha em branco separando cada página. Isso ajuda quando você precisa citar um ofício escaneado, traduzir um documento ou passar números de um relatório antigo para uma planilha.
Se você quer um documento editável com o layout, o próximo passo é converter o PDF pesquisável para Word. Para arquivos que nunca foram escaneados, como um PDF exportado do Word, o OCR nem é necessário: extrair o texto direto é mais rápido e exato.
Qual a precisão do OCR em digitalizações e fotos do celular?
Em uma digitalização limpa e reta de texto impresso, o reconhecimento costuma ser muito bom. A precisão cai quando a entrada é difícil de ler, então vale saber com o que o motor tem dificuldade:
- Resolução baixa. Digitalize em 300 DPI. Texto que fica borrado quando você dá zoom vai ser chutado.
- Páginas tortas ou curvas. Foto da lombada de um livro ou uma foto torta do celular confundem a detecção de linhas. Endireite a página antes.
- Letra de mão. O motor foi treinado com letra impressa. Letra de forma caprichada pode funcionar, letra cursiva quase nunca.
- Carimbos, marcas d’água e fundos coloridos. Texto por cima deles é mais difícil de separar do fundo.
- Tabelas e várias colunas. As palavras são encontradas, mas a ordem de leitura no .txt pode pular de uma coluna para outra.
Sempre confira nomes, números de CPF, valores e datas no resultado antes de confiar neles.
É seguro fazer OCR de documentos confidenciais online?
Aqui é, porque o documento nunca é enviado. A maioria dos serviços de OCR online manda seu arquivo para um servidor, faz o reconhecimento lá e guarda uma cópia por algum tempo. Esta página baixa o motor de reconhecimento e os dados do idioma para o seu navegador, e todo o trabalho roda no seu próprio celular ou computador.
Dá para conferir: abra as ferramentas de desenvolvedor do navegador na aba Rede (Network) enquanto roda o OCR. Você vai ver os arquivos do motor chegando na primeira vez, mas seu PDF não é enviado para lugar nenhum. Isso importa para os papéis que as pessoas mais escaneiam: RG, CNH, declaração do Imposto de Renda, extratos bancários, laudos médicos e contratos assinados.
Quais idiomas dá para reconhecer?
Há dezessete idiomas disponíveis (veja a lista na ferramenta), e você pode marcar vários para documentos que misturam idiomas, como um contrato em português com cláusulas em inglês ou uma nota de importação em espanhol endereçada a uma empresa de São Paulo. Os modelos são as versões precisas “best” dos dados de idioma do Tesseract, empacotadas em um formato inteiro menor, então baixam rápido e continuam precisas.