A resposta curta
Escolha o idioma do documento, solte o PDF escaneado na ferramenta abaixo e aguarde enquanto ela lê as páginas uma a uma. Quando terminar, baixe o PDF pesquisável, o arquivo TXT ou os dois em um ZIP. O PDF pesquisável mantém todas as páginas originais intactas e só adiciona o texto invisível, então fica idêntico e cresce muito pouco.
Se o documento mistura dois idiomas, por exemplo um contrato em português com termos em inglês, escolha também um segundo idioma. Se você só precisa de algumas páginas, digite no campo Páginas, por exemplo 1-3, 5 ou 8-.
Experimente aqui: OCR em PDF
Abrir a página completa da ferramentaPor que não dá para pesquisar em um PDF escaneado
Um PDF salvo de um editor de texto guarda texto de verdade: cada letra, sua fonte e sua posição. Um scanner, uma copiadora ou um app de digitalização no celular funcionam de outro jeito. Eles tiram uma foto do papel e colocam essa foto dentro de um PDF. Para você a página parece texto, mas para o computador é uma grade de pontos coloridos.
Por isso a busca não encontra nada, o cursor seleciona a página inteira como imagem e colar não traz nada útil. Leitores de tela também não conseguem ler em voz alta, e a busca de arquivos do computador ou de um arquivo de documentos não acha o documento pelo conteúdo. Alguns apps de digitalização fazem OCR automaticamente, e é por isso que algumas digitalizações são pesquisáveis e outras não.
Um teste rápido: abra o PDF, pressione Ctrl+F (Cmd+F no Mac) e procure uma palavra que você vê claramente na página. Se nada for encontrado, a página não tem camada de texto e precisa de OCR.
Como a camada de texto invisível funciona
O OCR encontra as linhas e as palavras na imagem da página e reconhece cada caractere. Depois a ferramenta escreve cada palavra reconhecida no PDF exatamente onde ela aparece na digitalização, em um modo de texto invisível que os leitores de PDF conhecem: o texto está lá para pesquisa e seleção, mas não é desenhado, então a imagem escaneada embaixo continua igual.
As páginas originais são copiadas como estão. A digitalização não é convertida de novo, não é comprimida de novo e não perde qualidade, então o resultado fica idêntico ao seu arquivo. Cada página ganha só alguns kilobytes de texto. Na busca, o leitor destaca a palavra sobre a imagem, e quando você seleciona uma linha e copia, recebe o texto reconhecido.
As opções, uma por uma
- Idioma do texto: o idioma em que o documento foi escrito. É a opção mais importante, porque diz ao OCR quais letras e palavras esperar. Só os dados desse idioma são baixados, uma vez.
- Segundo idioma: opcional. Use em documentos mistos. Os dois idiomas são reconhecidos juntos, um pouco mais devagar do que um só.
- Páginas: deixe em branco para todas as páginas ou digite intervalos como 1-3, 5 ou 8- (da página 8 até o fim). O PDF pesquisável continua com todas as páginas; só as escolhidas recebem a camada de texto.
- Resultado: PDF pesquisável e texto (os dois, em ZIP), só PDF pesquisável ou só texto. Se você mudar depois, as páginas não são lidas de novo, o texto reconhecido é reaproveitado.
- Parar: documentos longos podem ser parados a qualquer momento pelo botão ao lado do arquivo. As páginas já lidas ficam guardadas, e a próxima execução continua de onde parou.
Dicas para um texto preciso
- Digitalize em 300 DPI se puder. As páginas são desenhadas em cerca de 300 DPI antes da leitura, mas uma digitalização mais nítida sempre dá letras melhores.
- Mantenha as páginas retas e com luz uniforme. Uma leve inclinação não atrapalha; páginas muito giradas ou curvas, como a foto de um livro grosso, são lidas pior.
- Escolha o idioma exato. Com inglês selecionado, letras como ç, ã ou ß podem sair como letras latinas parecidas.
- Confira nomes, valores e datas antes de confiar neles. O OCR é muito bom em texto impresso limpo, mas em cópias ruins um 1 pode virar l e um 0 virar O.
- Letra de mão, carimbos e texto sobre fotos ou fundos carregados são difíceis para qualquer OCR e podem ser pulados ou lidos errado.
Quais idiomas funcionam e como
O reconhecimento cobre 20 idiomas. O texto do arquivo TXT é sempre Unicode simples, então qualquer alfabeto é mantido. No PDF pesquisável o texto invisível é guardado caractere por caractere, por isso letras como ç, ã, é, ñ, ş e ß podem ser pesquisadas e são copiadas corretamente, o que não acontece em muitas ferramentas de PDF simples que só aceitam as letras ocidentais básicas.
| Alfabeto | Pesquisar e copiar no PDF | Observações |
|---|---|---|
| Latino (português, inglês, espanhol, alemão, francês...) | Sim | Acentos e letras especiais mantidos |
| Cirílico e grego | Sim | Funciona nos leitores comuns |
| Chinês e japonês | Sim, com limites | Na busca, as palavras podem aparecer separadas por espaços |
| Árabe, hindi, tailandês, coreano | Sim, com limites | Alguns leitores ordenam ou dividem as palavras de outro jeito |
Páginas que já têm texto e sua privacidade
Muitos PDFs misturam páginas escaneadas com páginas normais, por exemplo uma carta digitada no computador seguida de recibos escaneados. Antes de ler uma página, a ferramenta verifica se ela já contém texto de verdade. Se contém, a página fica exatamente como está e o texto dela vai para o arquivo TXT, assim nunca surge uma segunda camada de texto duplicada. Um PDF que já passou por OCR é detectado do mesmo jeito.
Tudo acontece no seu dispositivo. O PDF é aberto, desenhado e lido no seu navegador e nada é enviado, o que importa para contratos, laudos médicos e extratos bancários. Depois do primeiro uso, os dados do idioma ficam no seu navegador, então a ferramenta também funciona sem internet. PDFs com senha não podem ser abertos; remova a senha antes.