OCR e digitalização: transforme papel em texto

OCR (reconhecimento óptico de caracteres) lê a imagem de um documento escaneado e gera o texto correspondente, para que o PDF possa ser pesquisado, selecionado e copiado. Sem OCR, um PDF escaneado é só uma imagem, sem fontes nem texto.

Em geral o texto reconhecido vai numa camada invisível sobre a imagem, alinhada com as palavras da página. A aparência do documento não muda; o que muda é que ele passa a ter texto para buscar, copiar e converter para Word.

Por onde começar

• OCR em PDF: como transformar digitalização em texto mostra o passo a passo. Para o conceito, veja OCR e PDF pesquisável.
• A ferramenta de OCR em PDF faz o reconhecimento no navegador.
• Se o papel ainda não foi digitalizado, veja como digitalizar documentos com o celular.

O que a ferramenta do site faz

• Roda no seu dispositivo: o arquivo não é enviado ao servidor. Na primeira vez, baixa o motor de OCR (cerca de 15 MB), que fica em cache.
• Usa o Tesseract, com opções de idioma: português (padrão), português e inglês, ou inglês.
• Entrega um PDF com texto pesquisável e um arquivo .txt com o texto puro.
• No PDF entregue, cada página é uma imagem com a camada de texto invisível por cima. Se o PDF já tinha texto, ele também vira imagem; use a ferramenta em arquivos escaneados.
• Depois do OCR, dá para extrair o texto ou converter com PDF para Word.

O que melhora e o que piora o resultado

A documentação do Tesseract aponta, sobre a qualidade da imagem:

• Ele funciona melhor com imagens de pelo menos 300 dpi. Veja DPI.
• Ruído, página inclinada e bordas escuras de escaneamento reduzem a precisão.
• Foi projetado para texto impresso. Para manuscrito, a documentação diz que funciona, mas não muito bem.

Na prática, enquadramento reto, boa luz e resolução adequada na hora de digitalizar pesam mais do que qualquer ajuste posterior. Veja digitalização.

Revise o resultado

Nenhum OCR é perfeito. Se o texto vai ser publicado ou entrar em contrato, confira o que foi reconhecido. Para só localizar o documento numa busca depois, um reconhecimento imperfeito pode bastar.

Muitos problemas do site passam por aqui: texto que não seleciona no PDF, conversão para Word de documento escaneado e documento que o leitor de tela não consegue ler. Quando um PDF parece vazio, a primeira pergunta é se ele passou por OCR.