Converter um PDF digitalizado em texto (OCR)
Um formulário digitalizado, um contrato fotocopiado, uma fotocópia de arquivo: um PDF proveniente de um scanner ou de uma fotocopiadora contém, na maior parte das vezes, apenas imagens de páginas, sem qualquer texto realmente presente no ficheiro — é impossível pesquisar uma palavra, copiar um excerto ou fazê-lo ler por um leitor de ecrã. Esta ferramenta converte este tipo de PDF em texto simples, em documento Word ou em PDF pesquisável que mantém o aspeto da digitalização ao mesmo tempo que passa a ser indexável.
Primeiro, uma verificação que evita um processamento inútil
Antes de lançar o que quer que seja, a ferramenta abre o PDF e verifica se já contém texto extraível: é o caso de um PDF exportado diretamente de um programa de escritório ou já processado por outra ferramenta de OCR a montante. Se for encontrado texto, é extraído diretamente do ficheiro, sem passar pelo reconhecimento de imagem — mais rápido e, sobretudo, mais fiável do que um reconhecimento que reinterpretasse uma imagem do texto já presente tal e qual no ficheiro. Uma mensagem informa-o quando este atalho foi tomado. Só se não for encontrado qualquer texto — o caso de uma verdadeira digitalização, imagem a imagem — é que o motor de reconhecimento ótico de carateres entra em ação.
Página a página, com um progresso real
Cada página de um PDF digitalizado é primeiro rasterizada em alta resolução (300 pontos por polegada, a referência para um reconhecimento fiável) e depois processada individualmente: deteção de uma eventual rotação de 90, 180 ou 270 graus (frequente num lote de páginas digitalizadas em sentidos diferentes), endireitamento fino da inclinação, remoção de ruído, limiarização e, por fim, reconhecimento dos carateres na língua ou nas línguas que escolheu. A barra de progresso avança realmente página a página, não de forma arbitrária: num documento de várias dezenas de páginas, sabe a todo o momento em que ponto está o processamento.
Três saídas, um mesmo conteúdo
O texto simples reúne o conteúdo de todas as páginas por ordem, pronto a ser copiado. O documento Word acrescenta uma quebra de página entre cada página de origem e um parágrafo por bloco de texto detetado, para ficar próximo da estrutura original mantendo-se modificável. O PDF pesquisável reutiliza a imagem de cada página tal como foi enviada — carimbos, assinaturas e cabeçalhos incluídos — sobrepondo-lhe uma camada de texto invisível: o documento tem exatamente o mesmo aspeto que antes, mas passa a ser pesquisável e copiável em qualquer leitor de PDF moderno.
Limites do limite de 20 páginas
O limite de 20 páginas por processamento não é arbitrário: mantém um tempo de processamento compatível com uma utilização interativa (algumas dezenas de segundos em vez de vários minutos), em servidores partilhados entre todos os visitantes do site. Para um documento mais longo, dividi-lo em vários PDF com menos de 20 páginas com a ferramenta de divisão de PDF e processar depois cada parte continua a ser a solução mais simples.