OCR grátis: extrair o texto de uma imagem ou de um PDF digitalizado

Esta página reúne as duas formas de utilizar o reconhecimento ótico de carateres (OCR) no Warizma: a partir de uma foto ou de uma digitalização em imagem, ou a partir de um PDF já digitalizado. Nos dois casos, o mesmo motor transforma uma imagem de texto em texto realmente aproveitável — copiável, editável, pesquisável — e não num simples desenho de letras.

Porquê duas ferramentas para a mesma tecnologia

Uma foto de um livro tirada com o telemóvel e um PDF digitalizado por uma fotocopiadora não colocam exatamente as mesmas questões: a primeira levanta problemas de enquadramento, inclinação e iluminação próprios da fotografia à mão livre, ao passo que o segundo está muitas vezes já bem alinhado, mas pode conter várias dezenas de páginas ou já ser «secretamente» pesquisável se um programa tiver incorporado uma camada de texto. Separar as duas intenções de pesquisa em duas páginas permite a cada uma explicar o que lhe é próprio, partilhando nos bastidores o mesmo motor de reconhecimento.

O que determina a qualidade do resultado

Ao contrário de uma ideia feita, a qualidade de um OCR depende antes de mais da imagem enviada, não do próprio motor de reconhecimento: um documento bem plano, bem iluminado e nítido dará um excelente resultado mesmo com um motor vulgar, ao passo que uma foto desfocada e torta fará falhar o melhor dos motores. É por isso que esta ferramenta aplica um pré-processamento automático — endireitamento, remoção de ruído, mudança de escala — antes de lançar o reconhecimento, e assinala as páginas em que o resultado continua pouco fiável, em vez de entregar em silêncio um texto incorreto.

Três formatos de saída

Cada processamento produz o texto simples (copiável diretamente), um documento Word (um parágrafo por bloco de texto detetado) e um PDF pesquisável que mantém o aspeto da imagem original ao mesmo tempo que permite selecionar e copiar o seu conteúdo — útil para arquivar um documento mantendo-o indexável por um leitor de PDF. O ficheiro enviado é eliminado automaticamente 30 minutos após o processamento, sem nunca ser registado nem reutilizado.