Como reconhecer texto em PDF digitalizado

Você recebe um PDF com um contrato, certificado ou formulário digitalizado. Tenta selecionar algum texto e nada acontece: o cursor se comporta como se a página fosse uma imagem. E é exatamente isso, uma imagem digitalizada sem camada de texto por baixo. O OCR (reconhecimento óptico de caracteres) acrescenta essa camada e transforma a imagem num documento em que o texto pode ser selecionado, copiado e pesquisado.

Quando você precisa de OCR

O OCR é útil quando você tem um PDF digitalizado e quer copiar um trecho sem redigitar, buscar uma palavra com Ctrl+F, levar o conteúdo a outra ferramenta sem reescrever ou tornar um documento arquivado localizável por palavra-chave. Se o PDF já tem camada de texto — ou seja, você consegue selecionar palavras — o OCR é desnecessário.

Do que depende a qualidade

A qualidade do resultado depende quase totalmente da digitalização de origem. Os fatores-chave são a resolução (ao menos 150–200 dpi, idealmente 300), o alinhamento da página (texto muito inclinado é mal reconhecido), a iluminação e o contraste (sombras da lombada ou papel amarelado reduzem a precisão) e o idioma do texto, que o algoritmo precisa conhecer para interpretar bem as letras.

Como executar o OCR, passo a passo

1. Abra a ferramenta ocr-pdf e envie seu PDF digitalizado. 2. Escolha o idioma do documento se for solicitado. 3. Aguarde o processamento: digitalizações de várias páginas demoram mais. 4. Baixe o resultado. 5. Abra-o e confira: dá para selecionar texto? Nomes, datas e números foram bem reconhecidos?

O que pode dar errado

• Muitos erros em nomes e números. A qualidade da digitalização é baixa. Digitalize ou refotografe em resolução mais alta.
• Nenhum texto é reconhecido. O PDF pode conter gráficos vetoriais que parecem digitalização sem ser; o OCR não ajuda aí.
• O arquivo cresceu muito. O OCR acrescenta uma camada de texto e aumenta um pouco o peso; se ficar pesado, compacte-o com compress-pdf.
• A letra à mão não é legível. O OCR padrão mira texto impresso; assinaturas e notas à mão são mal reconhecidas ou nem isso.

O que conferir após o OCR

• Selecione algumas linhas e cole num editor para confirmar o texto.
• Busque palavras-chave com Ctrl+F: um nome, uma organização, uma data.
• Compare números e datas do texto reconhecido com o original; é onde estão os erros mais frequentes.

Conclusão

Para tornar um PDF digitalizado localizável e selecionável, envie-o ao ocr-pdf. Em documentos longos, divida o arquivo primeiro com split-pdf, processe as partes separadamente e una os resultados com merge-pdf.