OCR e reconhecimento de PDF — digitalização para PDF pesquisável, extração de texto e de tabelas
OCR e reconhecimento de PDF
OCR de PDF online gratuito — converta PDF digitalizados em pesquisáveis, extraia texto por OCR, crie PDF pesquisáveis a partir de imagens. Tudo corre no seu navegador. Também: Editor de PDF | Segurança | Comprimir | Utilitários.
Nota de desempenho: o OCR transfere cerca de 12 MB de dados de idioma na primeira utilização. O processamento é intensivo em CPU e decorre inteiramente no seu navegador. Para documentos grandes (>10 páginas), espere vários minutos de processamento. Os resultados dependem da qualidade da digitalização e do idioma.
0%
0%
0%
0%
Digitalização→Pesquisável: renderiza cada página do PDF como imagem, executa o OCR para reconhecer o texto e depois cria um novo PDF com uma camada de texto invisível sobre a imagem da página. O PDF resultante é pesquisável e o texto é selecionável.
Imagem→PDF: recebe uma ou mais imagens, executa o OCR em cada uma e cria um PDF com cada imagem como página e o texto reconhecido como sobreposição invisível. Ideal para fotografias de documentos.
Texto OCR: aceita um ficheiro PDF ou de imagem. Nos PDF, renderiza cada página como imagem e executa o OCR. Mostra o texto reconhecido, que pode copiar. Ideal para extrair texto de documentos digitalizados.
Extração de tabela: renderiza a página do PDF como imagem, executa o OCR sobre ela e tenta identificar estruturas de tabela a partir das posições do texto. Os resultados são aproximados — tabelas complexas podem não ser reconstruídas com perfeição. Para tabelas precisas, use ferramentas de extração dedicadas.
O que é o OCR?
Um PDF digitalizado é essencialmente uma fotografia de uma página: para o computador é uma grelha de pixels, e nada disso é texto. O OCR (Reconhecimento Ótico de Caracteres) é a tecnologia que analisa esses pixels e determina que caracteres representam. O resultado pode ser texto simples que copia (modo Texto OCR) ou uma camada de texto invisível colocada sobre a imagem da página (modos Digitalização→Pesquisável e Imagem→PDF), que é o que torna um documento digitalizado pesquisável em qualquer visualizador de PDF.
A versão numa linha: o OCR adivinha o texto a partir das formas da tinta. É reconhecimento, não leitura — o resultado é uma melhor estimativa com uma pontuação de confiança, não a verdade de referência que um PDF nativo criado digitalmente contém.
O processo de OCR
Todos os motores de OCR seguem aproximadamente as mesmas etapas. Primeiro a página é renderizada numa imagem (nos PDF, cada página é rasterizada). Depois vem a binarização: os pixels são classificados como tinta ou papel, para que o motor trabalhe com formas a preto e branco. As formas são então segmentadas em linhas, palavras e caracteres individuais. Por fim, cada candidato é classificado — os motores modernos usam redes neuronais treinadas que analisam linhas de texto inteiras em vez de letras isoladas, por isso lidam muito melhor com entradas desfocadas ou ligeiramente inclinadas do que os antigos comparadores de caracteres isolados. A língua também importa: o motor usa dicionários e conjuntos de caracteres específicos de cada língua, pelo que escolher a língua correta no seletor acima melhora a exatidão.
A camada de texto invisível
Um "PDF pesquisável" são duas coisas sobrepostas: a imagem original da página que vê, mais uma camada de texto invisível colocada por trás dela. Selecionar texto no visualizador seleciona de facto essa camada escondida. Nada da digitalização visível é alterado — a imagem fica intacta, por isso a qualidade e a aparência nunca mudam. O compromisso é que copiar/colar e os resultados de pesquisa só são tão exatos quanto a passagem de OCR por baixo. Se uma palavra foi mal reconhecida, pesquisar a grafia correta não a encontrará, porque a camada escondida contém o erro.
Porque é que o DPI decide tudo
A exatidão do reconhecimento depende de quantos pixels cada carácter recebe. As páginas de PDF são dispostas em pontos (72 por polegada), mas um carácter de 10 pt renderizado com baixa resolução reduz-se a meia dúzia de pixels — a 150 DPI um carácter de 10 pt tem apenas cerca de 21 pixels de altura, e a 300 DPI cerca de 42 pixels. Abaixo de cerca de 20 pixels, as serifas fundem-se, as letras esborratam-se e a exatidão cai abruptamente. Por isso a regra de digitalização de longa data é 300 DPI para OCR: dá a cada carácter pequeno detalhe de pixels suficiente sem desperdiçar tamanho de ficheiro. Ir muito mais alto raramente ajuda o reconhecimento — sobretudo torna a digitalização maior e o OCR mais lento.
Em que o OCR não é bom
A escrita à mão, os tipos de letra de exibição estilizados e o texto sobre fundos carregados continuam a ser pontos fracos. As tabelas são um caso especial: o OCR vê caracteres e as suas posições, mas não entende verdadeiramente linhas e colunas — o modo Extração de Tabela infere a estrutura a partir do alinhamento, por isso as tabelas complexas saem aproximadas. E se um PDF já contém texto real (foi exportado do Word, não digitalizado), não precisa de OCR: o texto pode ser extraído diretamente, com mais exatidão, usando as ferramentas de exportação de PDF.
Ideias erradas comuns
"Um PDF pesquisável é igual a um PDF criado a partir do Word." Não — a camada de texto é apenas texto reconhecido em simples. Copiar um parágrafo pode perder o layout, e qualquer erro de reconhecimento fica incorporado na camada escondida.
"O OCR recupera o texto original." Reconstrói uma melhor estimativa dele. Uma página com 99% de exatidão ainda tem cerca de um carácter errado por cada 100 — bom para pesquisa, arriscado para conteúdo jurídico ou numérico.
"Mais DPI é sempre melhor." Acima de cerca de 400–600 DPI os ganhos de exatidão são insignificantes, enquanto o tamanho do ficheiro e o tempo de processamento continuam a subir. 300 DPI é o ponto ideal para documentos típicos.
"Fotografias do telemóvel funcionam tão bem como digitalizações." A inclinação, a iluminação irregular e a trepidação da câmara reduzem todas a exatidão. Fotografe a página plana, de frente e bem iluminada — ou use um scanner verdadeiro para documentos importantes.
