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.

Perguntas frequentes

Como saber se o meu PDF já é pesquisável?
Abra-o num leitor de PDF e tente selecionar texto com o rato: se uma palavra ficar realçada, o PDF já contém uma camada de texto e o OCR não traria nada. Esta ferramenta faz essa verificação automaticamente por si: se for detetado texto, extrai-o diretamente, sem passar pelo reconhecimento de imagem, o que é mais rápido e mais fiável.
Quantas páginas posso processar de uma só vez?
20 páginas no máximo por PDF. Este limite existe para manter um tempo de processamento razoável no servidor; para um documento mais longo, divida-o primeiro com a ferramenta de divisão de PDF.
Quanto tempo demora o processamento de um PDF de várias páginas?
Cada página é processada uma após a outra (rasterização, endireitamento, reconhecimento), com um progresso apresentado em tempo real. Um PDF digitalizado de 10 páginas de qualidade razoável processa-se tipicamente em menos de um minuto.
O resultado mantém a paginação do PDF original?
O PDF pesquisável mantém exatamente o aspeto visual da digitalização original, página a página. O texto simples e o documento Word, por sua vez, só reconstituem o conteúdo textual pela sua ordem de leitura, sem as paginações complexas (várias colunas, tabelas, caixas).
O meu PDF digitalizado contém páginas rodadas 90°, é um problema?
Não, a ferramenta deteta e corrige automaticamente uma página de pernas para o ar ou rodada um quarto de volta, página a página — um caso frequente com um scanner que digitaliza indiferentemente a frente e o verso de um caderno.
Posso aplicar OCR a um PDF protegido por palavra-passe?
Não: retire primeiro a palavra-passe com a ferramenta de proteção de PDF (função «retirar uma palavra-passe conhecida»), que exige conhecê-la: esta ferramenta nunca tenta contornar uma proteção.
O que significa a pontuação de confiança apresentada para cada página?
É a confiança média do motor de reconhecimento sobre as palavras detetadas nessa página, de 0 a 100 %. Abaixo de 60 %, a página merece ser verificada manualmente: o texto reconhecido pode conter erros, em particular numa digitalização de má qualidade ou num documento antigo.
O ficheiro PDF enviado é conservado?
Não: nem o PDF enviado nem os documentos produzidos são conservados para além de 30 minutos; nenhum dado é registado nem reutilizado, e pode acionar a eliminação imediata assim que tiver recuperado o seu resultado.