Como fazer OCR de um PDF digitalizado e obter texto editável

Um PDF digitalizado é um conjunto de fotografias dentro de um contentor PDF. Lá dentro não há texto, apenas píxeis: não é possível selecionar uma frase, pesquisar um nome ou copiar um parágrafo. O OCR resolve isso: observa as formas de cada página e reconstrói as letras.

A resposta curta

• Abre o PDF digitalizado em texto (OCR), carrega o PDF e escolhe o idioma do documento.
• As páginas que já têm uma camada de texto são lidas diretamente; só as que são imagens passam pelo OCR.
• Transfere o resultado como TXT e revê-o antes de o enviares.

O reconhecimento é executado no teu navegador. O PDF não é enviado, o que importa quando o documento é um contrato, um relatório médico ou uma fatura.

Digitalizado ou digital? Confirma primeiro

Nem todos os PDF precisam de OCR. Abre o ficheiro e tenta selecionar uma palavra com o rato. Se o texto fica realçado normalmente, o documento já tem camada de texto e podes extraí-lo com exatidão usando PDF para TXT. É mais rápido e evita erros de reconhecimento.

Se não consegues selecionar nada, ou a seleção é um retângulo azul sobre toda a página, essa página é uma imagem. É aí que o OCR faz falta.

Também existem documentos mistos: um contrato com condições digitais e assinaturas digitalizadas, ou um relatório com capa de texto e anexos fotografados. Uma boa ferramenta de OCR deve tratar cada página separadamente em vez de fazer passar o ficheiro inteiro pelo reconhecimento.

Passo a passo

• Carrega o PDF. Arrasta-o para o PDF digitalizado em texto (OCR) ou clica para procurar. O ficheiro é aberto localmente.
• Escolhe o idioma. Seleciona o idioma do texto dentro do documento, não o do teu navegador. O inglês é adicionado automaticamente para que as páginas mistas continuem a funcionar.
• Inicia a conversão. As páginas digitais aparecem quase de imediato. As digitalizadas demoram alguns segundos cada, e a primeira execução também transfere os dados do idioma.
• Revê o texto. Lê-o ao lado do original, começando por nomes, números e datas.
• Transfere o TXT. Usa-o no teu editor, nas notas ou em qualquer ferramenta que aceite texto simples.

Como melhorar a precisão

O OCR adivinha, e a qualidade da adivinhação depende da qualidade da imagem.

• Resolução. Cerca de 300 ppp é o ponto ideal para uma página digitalizada. Uma fotografia tirada de perto costuma funcionar melhor do que uma captura pequena.
• Contraste. Texto escuro e limpo sobre fundo claro é o ideal. Sombras, flash e papel colorido confundem o motor.
• Páginas direitas. Digitalizações tortas quebram linhas e juntam palavras. Endireita a página antes de digitalizar, quando puderes.
• Idioma. O modelo de idioma errado é a causa mais comum de acentos quebrados e palavras inventadas. Se um documento mistura dois idiomas, processa separadamente as páginas do minoritário.
• Recorta. Remove margens, mãos, agrafos e logótipos para que o motor não tente lê-los.

O que o OCR ainda faz mal

• Escrita à mão. O texto impresso é o alvo. As maiúsculas de imprensa às vezes funcionam; a letra cursiva quase nunca.
• Tabelas e colunas. O motor lê texto, não maquetagem. As células podem perder o alinhamento e as colunas podem juntar-se, por isso conta com refazer as tabelas à mão.
• Números e códigos. O 0 e a letra O, ou o 1, o l e o I, são confusões clássicas. Verifica números de fatura, IBAN e emails caráter a caráter.
• Letra pequena e tipos decorativos. Notas de rodapé minúsculas, itálicos finos e logótipos produzem muitos erros.
• Pontuação. Aspas, travessões e símbolos de moeda são pequenos e fáceis de perder.

Um corretor ortográfico não deteta um dígito errado. Por isso a revisão não é opcional em nada financeiro ou legal.

Privacidade e limites

A conversão é local: o PDF é lido, renderizado e reconhecido no teu dispositivo, e o texto nunca sai dele. É a principal razão para preferir uma ferramenta de navegador a um serviço que te pede para enviar o ficheiro.

Há dois limites práticos que vale a pena conhecer. Digitalizações muito grandes consomem mais memória, e o tempo de reconhecimento cresce com o número de páginas. Se um documento tiver centenas de páginas, divide-o em partes e processa-as uma a uma.

Quando o OCR não é a resposta

• O PDF já tem texto. Usa PDF para TXT para uma extração exata.
• Precisas da maquetagem original. O OCR devolve texto, não design. Para uma cópia fiel, guarda o PDF original ou converte-o em Word com PDF para DOCX.
• Precisas de um PDF pesquisável. O texto reconhecido pode ser colado num documento novo, mas esta ferramenta devolve TXT; não acrescenta uma camada de texto invisível ao ficheiro original.
• A página é uma fotografia, não um PDF. Usa Imagem para texto (OCR).

Lista rápida

• Seleciona uma palavra no PDF para confirmar que está realmente digitalizado.
• Escolhe o idioma do documento.
• Compara nomes, valores, datas e números de referência com o original.
• Guarda o PDF original até teres verificado o texto.
• Guarda o TXT onde o possas pesquisar mais tarde.

Bem feito, o OCR transforma uma digitalização ilegível em texto com que podes trabalhar, sem enviar um documento confidencial para o servidor de um desconhecido.