OCR, o reconhecimento óptico de caracteres, lê as letras na imagem de uma página e as transforma em texto que o computador consegue pesquisar. Um PDF escaneado é só um monte de imagens, então não dá para pesquisar, selecionar uma frase ou copiar um número dele. Depois do OCR, dá. Esta ferramenta faz isso no seu navegador, sem limite de páginas, e o seu documento nunca é enviado.
Deixar um PDF escaneado pesquisável
O resultado fica idêntico à sua digitalização, porque as páginas originais são mantidas. Sob a imagem, uma camada invisível de palavras reconhecidas fica exatamente onde cada palavra aparece, então a busca destaca o ponto certo e a seleção pega as palavras que você vê. Para saber se um PDF já tem texto, tente selecionar uma linha: se não der, ele precisa de OCR.
Escolher os idiomas do OCR
O reconhecimento precisa saber que alfabeto e que palavras esperar, então escolha todos os idiomas que aparecem no documento, como português e inglês em um formulário bilíngue. Há mais de 100 idiomas, incluindo chinês, japonês, coreano, árabe, hebraico e hindi. Cada idioma é baixado uma vez, em geral alguns megabytes, e depois fica guardado no navegador; o tamanho aparece antes de você começar. Escolher idiomas que não estão no documento deixa o reconhecimento mais lento e menos preciso.
O que afeta a precisão do OCR
Numa digitalização limpa e reta de texto impresso a 300 dpi, quase todas as palavras são lidas corretamente. A precisão cai com fotos de celular borradas, baixa resolução, páginas tortas ou curvadas, impressão fraca, fundos coloridos, fontes incomuns e tabelas com linhas apertadas. Letra de mão, na maioria das vezes, não é reconhecida. Aumentar a resolução nas configurações avançadas ajuda com letras pequenas, mas leva mais tempo. Sempre confira nomes e números importantes.
Como funciona
Cada página é desenhada como imagem no seu navegador e lida pelo Tesseract, um mecanismo de OCR de código aberto, rodando no seu aparelho. As palavras encontradas e suas posições são gravadas em uma cópia do seu PDF como camada de texto invisível, e reunidas no arquivo de texto. Um notebook processa uma página em poucos segundos; no celular é mais lento. Documentos longos demoram mais, mas não têm limite, e a estimativa antes de começar mostra o que esperar.
Para que as pessoas usam, e quando não funciona
Contratos e cartas escaneados, livros antigos e teses, recibos e notas fiscais para a contabilidade, apostilas da escola, documentos de arquivo e tudo o que você quiser pesquisar no computador depois.
- O layout não é reconstruído. O PDF pesquisável mantém a aparência original; o arquivo de texto é texto simples. Para editar o documento, use depois o PDF para Word.
- Letra de mão, na maioria das vezes, não é reconhecida.
- PDFs que já têm texto não precisam de OCR; para pegar o texto deles, use o PDF para texto.
- No celular, mantenha a tela ligada e a aba aberta durante trabalhos longos, senão o navegador pausa o processo.