O que é OCR e quando você precisa dele? Teste com 20 páginas digitalizadas

OCR em palavras simples

Uma página digitalizada é uma foto de papel. Você consegue ler as palavras, mas, para um computador, elas são pontos cinzentos, como em qualquer outra imagem. O OCR, sigla em inglês para reconhecimento óptico de caracteres, encontra o formato das letras nessa imagem e as transforma em texto de verdade.

Em um PDF, esse texto vai para uma camada invisível atrás da imagem, com cada palavra posicionada sobre o trecho correspondente da imagem. A página continua sendo uma imagem. Agora, porém, uma palavra pode ser selecionada e copiada, o Ctrl+F a encontra, e um leitor de tela tem o que ler.

Sem essa camada, uma digitalização fica fechada para as tecnologias assistivas. O W3C escreve as diretrizes de acessibilidade da web, e a técnica dele para PDFs digitalizados, publicada só em inglês, diz: “As tecnologias assistivas não conseguem ler nem extrair as palavras.” Quando o arquivo original já não existe, a solução que ela indica é o OCR.

Três verificações: o seu PDF precisa de OCR?

Abra o PDF em qualquer leitor e tente selecionar uma palavra. Se as palavras ficarem destacadas uma a uma, o arquivo já tem texto. Se o arraste desenhar uma caixa sobre a página inteira, ou se nada acontecer, a página é uma imagem.

Depois, procure uma palavra que você vê na página, com Ctrl+F, ou Cmd+F no Mac. Se uma palavra bem à vista não for encontrada, não há texto atrás dela. Se uma linha copiada aparecer sem sentido ao ser colada, a camada costuma existir, mas está errada.

O OCR PDF faz essa mesma verificação por você. Embaixo da prévia, a tabela “Verificação do arquivo pronto” mostra “Camada de texto, p. 1” antes e depois, para a página que estiver aberta. Na nossa digitalização, ela mostrou “não” antes e “sim” depois; em um PDF impresso de uma página da web, mostrou “sim” desde o início.

O que o OCR mudou em uma digitalização de 20 páginas

Em 23 de outubro de 2026, montamos uma digitalização de teste a partir de um documento de texto de 20 páginas e 5.548 palavras. Cada página virou um JPEG em tons de cinza de 1700 × 2200 pixels a 200 ppi, sem nenhum texto no arquivo. A digitalização tinha 8.302.321 bytes, que a ferramenta mostra como 7,9 MB.

Rodamos o OCR PDF no Chrome em um Mac com as opções padrão: “Inglês”, “Pular o texto existente”, “Endireitar páginas tortas” e “Girar páginas automaticamente”. O resultado ficou pronto 50,7 segundos depois do clique em “Reconhecer texto”, com o envio incluído. A página mostrou: “Relatório do servidor: texto encontrado em 20 de 20 páginas.”

Depois, extraímos o texto do resultado e o comparamos com o original, palavra por palavra. Das 5.548 palavras, 5.536 bateram, ou 99,78%. Os erros foram números, como um 4, um 7 e 636, mais uma palavra. Uma busca por “warranty” encontrou 243 ocorrências, tantas quanto no documento original.

As páginas continuaram sendo imagens, todas as 20 na mesma ordem. A camada de texto não aumentou o tamanho do arquivo: ele voltou com 7,6 MB, 4% menor que a digitalização. O resultado não trazia tags de títulos nem de ordem de leitura, que a técnica do W3C acrescenta como um passo à parte. A nossa digitalização era de texto impresso limpo; não testamos fotos de celular nem escrita à mão.

Uma página torta, e o que acontece com as imagens

Digitalizações costumam sair tortas, então também giramos duas das páginas em 3 graus. O OCR PDF as deixou retas: medida com o ImageMagick, a inclinação passou de 2,96 graus para zero. Todas as 549 palavras das duas páginas bateram, e a tarefa levou 15,8 segundos.

Endireitar tem um preço. Com “Endireitar páginas tortas” ligado, a imagem de cada página foi salva de novo como JPEG, inclusive a das páginas retas. Depois, desligamos essa opção e “Girar páginas automaticamente” em “Mais configurações”. As mesmas duas páginas retas voltaram com as imagens idênticas, byte a byte, às da digitalização. Então desligue as duas quando um arquivo precisar manter as imagens originais.

Quando você não precisa de OCR

A maioria dos PDFs feitos no computador já tem texto: um arquivo exportado do Word ou uma página impressa em PDF pelo navegador. O nosso documento de 20 páginas era um deles, impresso pelo Chrome. O OCR PDF o devolveu em 2,1 segundos: “Este PDF já tem uma camada de texto, por isso nada foi adicionado.” O aviso indicava, em vez disso, o “Refazer o OCR”.

O “Refazer o OCR” serve para uma camada de texto errada, não para uma que funciona. Se a busca e a cópia já funcionam, deixe a camada como está.

Para tirar as palavras de um PDF que já tem texto, o PDF para TXT lê o arquivo no seu navegador, sem enviá-lo. E uma foto ou um desenho sem palavras não dá ao OCR nada para encontrar.

Limites do OCR PDF

O OCR PDF roda no nosso servidor, não no seu navegador. O arquivo é enviado quando você clica em “Reconhecer texto” e é excluído assim que a tarefa termina. O resultado fica disponível para download por uma hora e é apagado do servidor em cerca de duas horas.

Uma tarefa aceita um PDF de até 300 MB e 500 páginas. Você pode fazer 30 tarefas por hora nas ferramentas que usam o nosso servidor. Um livro mais longo vai em partes: o nosso guia para digitalizar um livro fala da câmera, das partes e dos três modos.

A ferramenta reconhece qualquer um dos 15 idiomas do menu, até três de uma vez. Antes de clicar em “Reconhecer texto”, escolha o idioma da digitalização em “Idioma do documento”: uma página em russo lida como inglês volta em letras latinas. Se você precisa de um documento editável em vez de um PDF, o PDF para Word reconhece a digitalização no idioma escolhido em “Idioma do OCR”, dentro de “Mais configurações”.

Uma imagem ou uma captura de tela nem precisa de PDF. O Imagem para texto lê JPG, PNG e outras imagens dentro do seu navegador e entrega um arquivo .txt. O OCR PDF é uma das mais de 200 ferramentas gratuitas do PulsarKit, sem conta e sem assinatura.