PDF pesquisável

Um texto escaneado para PDF sem passar por OCR é uma imagem, sem fontes nem propriedades de texto, como descreve a Wikipedia: o computador vê pixels, não palavras. O PDF pesquisável resolve isso mantendo a imagem original visível e acrescentando, junto dela, o texto que o OCR reconheceu. Você continua vendo a imagem escaneada, com a assinatura à caneta e o carimbo torto, mas ao buscar uma palavra o leitor encontra, porque lê a camada de texto.

Em inglês, o resultado é chamado de searchable PDF. O que faz funcionar é a combinação: a imagem aparece, e o texto, invisível, fica na mesma posição.

Como funciona

Um motor de OCR pode devolver, além das palavras, a posição de cada uma na página. Com isso, o gerador escreve cada palavra no lugar correspondente, com o tamanho certo, de modo que não apareça. A especificação do PDF prevê um modo de renderização de texto assim: o modo 3, “neither fill nor stroke text (invisible)”, em que o texto existe na página mas não pinta pixel nenhum. Há outras formas de obter o mesmo efeito, como texto com opacidade zero, que é o recurso usado pela ferramenta do FacilPDF.

O resultado é um arquivo que tem a aparência do escaneamento e responde ao Ctrl+F e à seleção com o mouse.

O alinhamento importa: se a camada de texto estiver deslocada, ao selecionar uma palavra o mouse marca uma região diferente da que você vê.

Na prática

Para uma pasta com centenas de contratos escaneados, a diferença é grande: sem camada de texto, achar um contrato específico exige abrir arquivo por arquivo; com ela, dá para buscar pelo conteúdo dentro de cada PDF.

Se você abre o arquivo e o texto não seleciona, ele não é pesquisável. A ferramenta de OCR do FacilPDF gera o PDF com texto invisível por cima das páginas e entrega também o texto puro. Ela faz isso reconstruindo cada página como imagem JPEG, então é indicada para PDFs que são só imagem.

Como saber se um PDF já é pesquisável

O teste leva poucos segundos. Abra o arquivo e tente arrastar o mouse sobre uma linha de texto. Se a marcação acompanhar as palavras, há camada de texto. Se a seleção virar um retângulo cobrindo a página, ou se nada acontecer, o arquivo é só imagem.

Outro teste: aperte Ctrl+F e busque uma palavra que você vê na tela. Se o leitor não encontrar, falta texto (ou o texto está errado).

Uma ressalva: pesquisável não quer dizer sem erros. A camada carrega os erros do OCR. Se o escaneamento estava borrado, buscar uma palavra pode não achar nada porque o motor leu outras letras no lugar. A documentação do Tesseract, motor de OCR de código aberto, informa que ele funciona melhor com imagens de pelo menos 300 DPI, e a Wikipedia lembra que o OCR de texto impresso ainda não é 100% preciso mesmo com imagem limpa.