Como reconhecer texto em PDF digitalizado

Reconhecimento de texto em PDF: o que acontece com uma digitalização

Um documento digitalizado parece um documento e se lê como um documento, mas para qualquer programa é uma imagem. Não dá para buscar nele, não dá para copiar dele um número de contrato, e um formulário que confere a existência de texto o recusa como arquivo vazio.

O reconhecimento resolve exatamente isso, e de um jeito que vale entender: ele não reescreve nada.

O que de fato é acrescentado ao arquivo

A imagem da página fica intocada. Sobre ela entra uma segunda camada: texto posicionado onde na imagem estão as letras correspondentes, e tornado invisível.

Daí vêm todas as propriedades do resultado. Visualmente o arquivo não se distingue do original: o mesmo papel, os mesmos carimbos, a mesma inclinação, se houvesse. Ao mesmo tempo a busca acha palavras, um duplo clique seleciona uma linha e a cópia entrega texto de verdade.

O mesmo fato explica por que o reconhecimento é seguro para documentos em que a aparência importa. Um contrato digitalizado com assinatura continua, depois do OCR, a mesma digitalização com a mesma assinatura; apenas passou a ser pesquisável.

Páginas que já têm texto são puladas

Antes do processamento cada página é conferida em busca de camada de texto, e as que a têm não são reconhecidas de forma alguma.

Duas consequências práticas decorrem disso.

Documentos mistos são tratados corretamente sem esforço nenhum. Se parte de um arquivo foi digitada num editor e parte colada como digitalização, só a segunda parte é reconhecida. O texto digitado continua sendo o original em vez de ser trocado por uma cópia reconhecida, e isso importa: texto original é exato, texto reconhecido contém erros.

Rodar OCR num PDF de texto comum não faz quase nada e não estraga nada. É cômodo quando não se sabe se o documento à frente é uma digitalização: basta passá-lo pela ferramenta.

A mesma lógica governa a duração. Ela não depende do número de páginas do documento, e sim do número de páginas sem texto. Um relatório de duzentas páginas com cinco digitalizações coladas é processado no tempo de cinco páginas.

Os três modos de qualidade são três resoluções

A escolha da qualidade controla uma única grandeza: com que resolução a página é desenhada antes do reconhecimento.

O padrão é o modo rápido, e vale lembrar disso. Cem pontos por polegada bastam para títulos e corpo de texto em doze pontos, mas notas pequenas, números em tabelas e carimbos saem bem piores nessa renderização.

A regra é simples: se o documento tem algo que você mesmo lê apertando os olhos, escolha o modo preciso. Ele é mais lento e poupa refazer o trabalho.

Idioma: automático significa dois idiomas ao mesmo tempo

Estão disponíveis inglês e russo, além de um modo automático.

O modo automático não adivinha o idioma. Ele reconhece o documento nos dois de uma vez, o que serve a textos em que um idioma vem salpicado de nomes, códigos e termos do outro. O preço é velocidade e uma pequena perda de precisão em texto homogêneo.

Se o documento estiver todo num idioma, escolher esse idioma dá um resultado um pouco melhor e mais rápido.

Quando o idioma escolhido não está disponível, o reconhecimento não falha: roda com o instalado e anexa um aviso próprio, nomeando o idioma pedido e o aplicado. Esse aviso merece ser lido em vez de fechado: um idioma trocado em silêncio explica um resultado estranho melhor do que qualquer palpite.

Uma observação sobre documentos em outros idiomas. O alfabeto latino é reconhecido pelo pacote inglês, mas os sinais diacríticos se perdem ou se deformam no caminho: textos em francês e alemão saem legíveis, com erros nos acentos. Sistemas de escrita fora do latino e do cirílico não são suportados de forma alguma.

Como rodar o reconhecimento

1. Abra o ocr-pdf e envie o documento. 2. Escolha o idioma. Automático para texto misturado, um idioma específico para texto homogêneo. 3. Ponha o modo preciso se o documento tiver letra miúda. 4. Execute e baixe o resultado. 5. Abra o arquivo e busque uma palavra que você sabe estar na digitalização. É a conferência mais rápida possível.

O endireitamento e o que ele custa

Uma chave à parte endireita páginas inclinadas antes do reconhecimento. Ela vem desligada, e há um motivo.

O endireitamento é aplicado a uma cópia temporária da página, que é o que o reconhecimento lê, e a camada de texto é então posta sobre a página original, não corrigida. Numa digitalização muito inclinada isso produz um deslocamento: o texto invisível fica girado em relação às letras visíveis.

A busca não sofre com isso, a palavra é achada assim mesmo. A seleção com o mouse sofre: o retângulo de seleção cai longe das letras e copiar um trecho fica desconfortável.

O compromisso é proposital, porque as páginas originais ficam intocadas. Se a inclinação for forte, o certo é endireitar o documento antes do reconhecimento, com o rotate-pdf para giros em ângulo reto ou refazendo a digitalização pelo scan-to-pdf, que endireita de verdade.

O que o reconhecimento não faz

Ele não melhora o original. Uma foto tremida, o reflexo de uma lâmpada atravessando uma linha, a sombra de uma mão sobre meia página: tudo isso fica, e o reconhecimento naquele ponto entrega bobagem ou pula o trecho.

Ele não lê manuscrito. A ferramenta é feita para letra impressa.

Ele não produz texto com valor jurídico. A camada reconhecida contém erros e não serve como cópia do documento. Ela existe para busca e para sistemas que exigem camada de texto, não para citar.

E ele não recupera resolução. Se a digitalização de origem foi feita a 75 pontos por polegada, o modo preciso a desenha a 300, mas letras novas não aparecem: uma imagem borrada simplesmente fica maior. A qualidade do reconhecimento é definida pelo original, não pelo ajuste.

Onde o reconhecimento entra na cadeia de operações

A ordem importa mais do que parece, e há uma regra: reconhecimento antes de compressão.

O reconhecimento trabalha sobre a imagem da página. A compressão pelo compress-pdf degrada justamente essa imagem: baixa a resolução e acrescenta artefatos ao redor das letras. A ordem inversa produz bem mais erros no texto, e depois não sobra com o que corrigir.

Montagem e giros também vêm antes do reconhecimento: eles mudam quais páginas existem e como estão orientadas, e a camada de texto está presa a uma página específica.

Se o que você precisa não é um arquivo com camada de texto, e sim o texto em si num arquivo à parte, existe o pdf-to-text: ele extrai o conteúdo para um arquivo de texto simples separado por páginas.