Como editar um PDF digitalizado: o que dá para mudar após o OCR

O OCR adiciona ao scan uma camada de texto invisível para busca e cópia, mas as letras da imagem continuam sendo imagem. Notas vão por cima da página, trocas pedem ocultação mais texto novo, e mudanças grandes ficam para o Word.

Precisa corrigir uma data em um contrato digitalizado ou acrescentar um número de protocolo em uma declaração? Abra o arquivo em Edição de PDF: no mesmo editor você reconhece o texto, adiciona um texto novo e cobre o antigo. Vale saber desde o início o que o OCR não faz. Ele adiciona à página uma camada invisível com as palavras reconhecidas, mas as letras impressas continuam fazendo parte da imagem e não mudam sozinhas.

Este artigo trata de digitalizações e fotos de documentos. Se o PDF foi criado no Word ou em outro programa e tem texto de verdade, a edição funciona de outro jeito: veja como editar texto em PDF sem converter para Word.

Descubra o que há na página

Primeiro, guarde uma cópia do arquivo original. Depois abra o documento no editor e clique em “OCR” na barra de ferramentas. Ao passar o mouse aparece o nome completo, “Reconhecer texto (OCR)”, e no celular a barra abre pelo botão “Ferramentas”. Antes de iniciar, o painel verifica as páginas. Na opção “Páginas sem texto” aparece quantas foram encontradas, e no modo “Escolher páginas” cada número de página recebe uma marcação: “digitalização”, “com texto”, “desenho” ou “vazia”.

A marcação “com texto” em uma página digitalizada indica que o arquivo já tem uma camada de texto, adicionada, por exemplo, pelo scanner ou pelo aplicativo em que o documento foi salvo. Confira a qualidade dela. Abra o arquivo em um leitor de PDF comum, copie uma linha com data ou número para qualquer editor de texto e compare com o que aparece na página. Se os números baterem, não é preciso reconhecer de novo.

Reconheça o texto no próprio editor

O caminho principal não exige sair do editor:

1. Clique em “OCR”. 2. Escolha as páginas: “Esta página”, “Páginas sem texto”, “Todas as páginas” ou “Escolher páginas”. 3. Em “Idioma”, já vem selecionado “Automático” (russo e inglês ao mesmo tempo). Se o documento não tiver texto em russo, escolha “Inglês”. 4. Em “Qualidade”, escolha “Precisa (mais lenta)” se a digitalização tiver letra pequena, tabelas ou carimbos. 5. Clique em “Reconhecer”.

Você pode fechar a janela e continuar editando: a camada é adicionada quando o processamento termina. A partir daí a busca encontra as palavras do scan, e “Desfazer” remove a camada reconhecida de uma vez. O reconhecimento consome operações do seu limite, e o painel mostra quantas antes de começar.

A ferramenta separada OCR de PDF faz o mesmo com o arquivo inteiro. Ela serve quando você não precisa alterar nada e só quer buscar e copiar. Os modos de qualidade e o endireitamento estão explicados em detalhes em como reconhecer texto em PDF digitalizado.

Quais idiomas são reconhecidos

Por enquanto o reconhecimento conhece dois idiomas: inglês e russo. “Automático” no editor e “automático” em “idioma ocr” na ferramenta OCR de PDF não adivinham o idioma; eles leem a página com os dois ao mesmo tempo.

Por isso, para digitalizações em português escolha “Inglês”: assim a página passa pelo modelo inglês. As palavras costumam ficar legíveis, mas letras acentuadas como ç, ã, é e õ se perdem ou saem distorcidas. Uma busca por “ação” ou “endereço” pode não encontrar nada, e um Word gerado com esse texto vai precisar de correção manual. No modo “Automático”, letras latinas podem ser reconhecidas como letras cirílicas parecidas. Escritas diferentes do alfabeto latino e do cirílico não são reconhecidas. Adicionar texto e ocultar áreas, como mostrado abaixo, funcionam mesmo sem OCR.

Se o scan já tem um OCR ruim

Reconhecer de novo não corrige erros de outra ferramenta. Uma página que já tem uma camada de texto com pelo menos 24 caracteres é pulada. No painel ela aparece na linha “já têm texto, ficam como estão”, e a ferramenta OCR de PDF a devolve sem mudanças. Isso protege o texto real, mas, em um scan com reconhecimento antigo e cheio de erros, uma nova passada não conserta nada.

A saída é transformar as páginas de novo em imagens simples:

1. Passe o arquivo pelo PDF para JPG. O resultado vem em um arquivo ZIP, com uma imagem por página. 2. Descompacte e envie as imagens, na ordem, para o JPG para PDF. Para não surgir uma moldura branca, coloque “Margens” em 0. Se o original era A4, escolha A4 em “tamanho da página”. 3. Reconheça o novo arquivo.

A cada execução, o JPG para PDF aceita um número limitado de imagens (o limite aparece na página da ferramenta). Processe um documento longo em partes e junte tudo com o Juntar PDF. Esse caminho gasta três operações do seu limite diário, e mais se você trabalhar em partes: uma execução do JPG para PDF por parte e mais uma para juntar.

Lembre que, junto com a camada antiga, somem os objetos de texto reais, os links e os marcadores. Use esse caminho só com um documento formado inteiramente por digitalizações.

Coloque uma nota por cima da página

Se o conteúdo original precisa ficar e você só quer acrescentar algo ao lado, como um número de protocolo, um comentário ou um aviso do tipo “Início às 14h”, clique em “Texto” (a dica do botão diz “Adicionar texto”). Posicione a caixa em uma área livre, ajuste o “Tamanho da fonte” e a cor e depois aumente o zoom para conferir se a nota não fica por cima das linhas do scan.

O campo “Plano de fundo” coloca um preenchimento sob a nota, branco por exemplo. É apenas uma cobertura visual: as letras antigas continuam no arquivo por baixo, e a busca ainda encontra as cópias reconhecidas delas. Não serve para remover dados.

Troque um trecho usando uma área ocultada

Se o valor antigo precisa sumir de verdade, clique em “Ocultar” (a dica do botão diz “Adicionar tarja”). Aparece uma área branca que apaga o que está embaixo: arraste essa área sobre a data antiga, ajuste o tamanho pelas alças das bordas e coloque a nova data por cima com “Texto”. Depois de “Aplicar alterações”, o PDF pronto aparece logo abaixo para baixar. O arquivo original não é alterado.

Esse método tem um custo. Uma página com área ocultada é exportada inteira como imagem, então nada fica sob a área coberta. Só que a camada de texto some da página toda: o texto dela não pode mais ser selecionado nem pesquisado. O texto que você adicionou nessa página também é gravado na imagem e deixa de ser texto. Os links fora da área são mantidos; as propriedades do documento, os anexos e os marcadores não são limpos. Saiba mais em como apagar dados sensíveis em um PDF.

Para recuperar a busca, reconheça o resultado mais uma vez: abra o arquivo baixado no editor ou no OCR de PDF. As páginas que ainda têm texto são puladas, e as páginas com área ocultada agora são imagens simples e são reconhecidas de novo, já com a data nova.

Para mudanças grandes, passe para o Word

Reescrever parágrafos e tabelas por cima de um scan é trabalhoso. Nesse caso, reconheça o documento primeiro, depois abra o PDF para Word e mantenha “Texto editável” em “Tipo de resultado”. A opção “Cópia exata (não editável)” insere as páginas como imagens, então não há o que editar.

Desmarque “incluir imagens”. Em uma digitalização, a própria página é uma imagem dentro do PDF; com essa opção marcada, o DOCX recebe a imagem da página e também os parágrafos reconhecidos, e o texto fica duplicado. Sem imagens, você tem um texto limpo. Carimbos e assinaturas também não vêm junto: se precisar deles, insira-os no Word separadamente.

O reconhecimento não recupera as fontes originais, as quebras de linha nem o layout exato das tabelas. Depois de editar, salve o documento do Word como PDF e compare página por página com o original: valores, datas, números e nomes. Uma nota curta é mais fácil de pôr direto no editor; refazer o documento no Word compensa quando uma parte relevante do texto muda.