Pular para o conteúdo principal
PulsarKit

Como transformar uma pilha de páginas digitalizadas em um PDF pesquisável

A câmera do celular e o scanner de mesa resolvem dois problemas diferentes, e nenhum dos dois deixa o resultado pesquisável por conta própria.

Por PulsarKit · ·

Uma foto de uma página não é uma digitalização

Com o celular acima da mesa, a câmera vê um trapézio, e não um retângulo, e registra a cor do ambiente junto com a página, em vez do branco limpo do papel. Para ir dessa foto a algo que pareça uma digitalização de verdade, é preciso encontrar os quatro cantos da folha no quadro, desfazer a distorção de perspectiva para que a página fique retangular e, depois, aplicar um limiar de brilho local que deixa o papel branco e a tinta preta. Sem isso, o que sobra é uma fotografia acinzentada e um pouco deformada de uma página em cima de uma mesa. Nada disso se resolve tirando uma foto mais nítida. É uma correção específica, aplicada depois do clique.

Uma página por vez, corrigida conforme você avança

A detecção automática de cantos acerta o trapézio na maioria das vezes. Ela erra em toalhas de mesa estampadas, em madeira escura ou em uma página que sai pela borda do quadro, o que acontece com frequência suficiente em páginas de livros grandes para valer a pena já contar com isso, em vez de tratar como falha. Quando ela erra, arrastar à mão quatro alças até os cantos reais corrige aquela página sem refazer o resto do lote. As páginas montadas assim vão se acumulando em uma lista em que cada uma pode ser reordenada, girada um quarto de volta ou fotografada de novo no mesmo lugar; uma página que ainda assim acabe na posição errada pode ser movida depois com Organizar PDF. Fotografar de novo substitui só aquela página, sem obrigar a digitalizar a pilha inteira outra vez desde o começo.

Um PDF digitalizado ainda não é pesquisável

Depois que cada página é fotografada, corrigida e montada em um único PDF com JPG para PDF, o resultado ainda é, tecnicamente, uma pilha de imagens. Não existe nenhuma camada de texto por baixo, então nada no documento pode ser selecionado, copiado ou encontrado em uma busca. Isso surpreende quem supõe que “digitalizado em PDF” e “PDF pesquisável” querem dizer a mesma coisa. Não querem, e é o OCR que fecha a distância entre os dois. Usar o OCR PDF na digitalização pronta acrescenta, atrás da imagem de cada página, uma camada invisível de texto reconhecido, posicionada com precisão. A página continua com a mesma aparência, mas agora as palavras nela podem ser selecionadas, copiadas e pesquisadas.

Como acertar o reconhecimento logo na primeira vez

A precisão do reconhecimento depende muito de quanto a imagem de origem está plana, bem iluminada e sem inclinação, e é isso que a etapa anterior, de digitalização e correção de perspectiva, deve garantir. Uma página bem endireitada e com o limiar bem aplicado é reconhecida muito melhor do que uma foto tirada em ângulo e com pouca luz. O endireitamento e a rotação automática, aplicados antes do reconhecimento, corrigem a maior parte da inclinação que ainda sobrar. Também vale escolher o idioma certo, ou até três, se o documento misturar idiomas, porque um reconhecimento ajustado para o alfabeto errado se sai visivelmente pior, mesmo em páginas que de resto estão limpas.

Pular, refazer ou forçar: escolha antes de começar

Um lote de páginas digitalizadas raramente é uniforme. Algumas podem já ter uma camada de texto de uma passada anterior, e reconhecê-las de novo é perda de tempo, sem mudar nada de útil. Deixar intactas as páginas que já têm texto e reconhecer só as que são pura imagem é o padrão seguro para um lote misto. Quando se sabe que uma camada de texto existente está errada, cheia de erros por causa de um OCR anterior malfeito, por exemplo, a opção que resolve é forçar o reconhecimento a ignorar o texto que já existe e refazer cada página a partir da imagem. A alternativa deixa a camada ruim no lugar, por baixo de uma segunda que ninguém usa.

Erros comuns ao fotografar

A maioria das digitalizações ruins já está decidida antes que qualquer programa as veja. Fotografar sob uma única lâmpada joga a sombra do celular, ou da sua própria mão, sobre a página, e nenhum limiar consegue distinguir essa sombra da tinta; a luz do dia que entra por uma janela, ou duas luzes em lados opostos, elimina o problema na origem. Papel brilhante reflete a luz de volta para a lente como uma mancha branca que apaga o texto embaixo dela, então incline o livro ou mude a luz de lugar até o reflexo sair da página. Um livro grosso nunca fica plano sozinho: o texto perto da lombada se curva e encolhe, e a câmera o registra como um borrão. Pressionar a página oposta com a mão ou com um peso e fotografar uma página de cada vez, em vez das duas páginas abertas, mantém cada linha reta o bastante para ser reconhecida. Coloque o livro sobre uma superfície lisa que contraste com o papel, porque tecido estampado e veios de madeira escura são justamente o que engana a detecção de cantos. Mantenha o celular paralelo à página, e não inclinado, e não reduza as fotos antes do reconhecimento: o reconhecimento lê os traços finos das letras, e são eles que uma cópia reduzida perde primeiro. Por fim, fotografe na ordem de leitura e confira o número de páginas no final; é muito mais fácil fotografar de novo agora uma página que faltou do que descobrir a falta depois do OCR.

O que acontece com o arquivo durante o reconhecimento

As duas metades desse trabalho acontecem em lugares diferentes. A montagem das páginas com JPG para PDF e o acerto da ordem delas em Organizar PDF acontecem inteiramente no navegador; as fotos nunca são enviadas. O reconhecimento é diferente: uma digitalização de várias páginas precisa de um mecanismo de OCR de verdade, então o OCR PDF envia o PDF montado para o nosso servidor por uma conexão criptografada, com até 300 MB e 500 páginas por tarefa. O arquivo enviado é excluído assim que a tarefa termina, e o resultado pode ser baixado durante uma hora e é apagado em cerca de duas horas, quer você o baixe, quer não. As páginas voltam na mesma quantidade e na mesma ordem, cada uma com uma camada de texto invisível; “Endireitar páginas tortas” e “Girar páginas automaticamente” vêm ativadas por padrão e também colocam na posição certa as páginas inclinadas ou de cabeça para baixo. Um livro fotografado com o celular atinge o limite de tamanho muito antes do limite de páginas: com cerca de três megabytes por foto, cem páginas já ocupam 300 MB. Por isso, monte o livro em partes de mais ou menos cem fotos, ou corte um PDF pronto com Dividir PDF, e faça o reconhecimento de cada parte; Juntar PDF une os resultados na ordem, até 500 MB no total. Escolha os idiomas antes, até três para um livro que os misture, e ative a opção “Incluir também um arquivo de texto simples” para receber as palavras reconhecidas em um .txt simples: é o jeito mais rápido de conferir uma página de amostra antes de processar o resto.

Ferramentas usadas neste artigo

OCR PDFAdicione uma camada de texto pesquisável a um PDF digitalizado, em 15 idiomas. O texto passa a ser selecionável, e páginas tortas ou deitadas são endireitadas, a menos que você desligue essa opção. Roda no nosso servidor; os arquivos são excluídos automaticamente em cerca de duas horas.JPG para PDFTransforme uma pasta de fotos JPG em um único PDF, na ordem que você escolher, sem recomprimir nenhum pixel.Organizar PDFColoque as páginas de um documento na ordem que você quiser e aproveite para girar, duplicar ou tirar páginas avulsas.

Leia também