OCR PDF: tornar um PDF digitalizado pesquisável

Adicione 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.

Solte seus arquivos aqui

.pdf · até 300 MB · até 30 tarefas por hora · o arquivo vai para o nosso servidor e é excluído após o processamento; o resultado é apagado em cerca de duas horas

Escolher arquivos

Como fazer OCR em um PDF digitalizado

1
Envie o PDF digitalizado
Um documento que, na verdade, é uma imagem de texto, com até 300 MB e 500 páginas.
2
Escolha o idioma do documento
Escolha até três idiomas, se o documento misturar mais de um, e decida se as páginas que já têm texto devem ser puladas.
3
Baixe o PDF pesquisável
As mesmas páginas, na mesma ordem, mas agora o texto pode ser selecionado, copiado e encontrado com Ctrl+F.

A imagem fica, e uma camada de texto vai por baixo

O OCR não transforma a sua digitalização em outro tipo de documento. Ele reconhece as palavras de cada página e coloca uma camada de texto invisível, posicionada com precisão, atrás da imagem que você já vê. Abra o resultado: ele parece o original, exceto pelas páginas tortas, que voltam endireitadas (veja abaixo). E agora o texto pode ser selecionado e lido por um buscador, por um leitor de tela ou pelo seu próprio Ctrl+F. O número e a ordem das páginas não mudam.

Três modos para três situações

“Pular texto existente” é o padrão e a escolha mais segura: as páginas que já têm camada de texto ficam como estão, e só as que são pura imagem passam pelo reconhecimento. “Refazer OCR” substitui uma camada de texto que já existe, o que ajuda quando um OCR anterior fez um trabalho ruim. Esse modo não funciona junto com a correção de inclinação, então desligue “Endireitar páginas tortas” em “Mais configurações” antes de usá-lo. “Forçar OCR” ignora qualquer texto existente e reconhece de novo cada página como imagem. Isso importa quando a camada de texto existe, mas está errada, embaralhada ou sobrou de um reconhecimento malfeito.

Corrigir a inclinação, girar e limpar antes do reconhecimento

Uma página fotografada levemente torta ou de cabeça para baixo prejudica muito a precisão do reconhecimento. Por isso, a correção de inclinação e a rotação automática rodam por padrão antes de o Tesseract ver a página, e é a página endireitada que vai para o resultado. Para manter cada página exatamente como estava, desligue as duas opções em “Mais configurações”. Há também uma limpeza de fundo opcional, para digitalizações com textura de papel visível ou com o verso aparecendo por transparência, ao custo de um processamento um pouco mais demorado.

Processado no nosso servidor e excluído automaticamente

Para reconhecer com confiança uma digitalização de várias páginas, é preciso um mecanismo de OCR de verdade rodando no servidor, e não uma aproximação feita só no navegador. Por isso, o arquivo é enviado para processamento. O arquivo enviado 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, quer você o baixe ou não. Não há conta nem limpeza manual.

Perguntas frequentes

Por quanto tempo meu arquivo fica no servidor?

O PDF enviado é excluído assim que a tarefa termina. O PDF pesquisável fica disponível para download por uma hora e é apagado do servidor em cerca de duas horas, quer você o baixe ou não.

Quais idiomas o OCR reconhece?

Quinze, e você pode escolher até três ao mesmo tempo para documentos que misturam idiomas no mesmo arquivo.

Qual a diferença entre pular o texto existente e forçar o OCR?

“Pular texto existente” não mexe nas páginas que já têm texto e só reconhece as que são apenas imagem. “Forçar OCR” reconhece de novo todas as páginas, tenham texto ou não, o que ajuda quando a camada de texto existente está errada ou embaralhada.

Por que o reconhecimento sai ruim em uma foto tirada com o celular?

A precisão do reconhecimento depende muito de um original plano, bem iluminado e fotografado de frente. Ligar a correção de inclinação e a rotação ajuda, mas uma foto com sombra forte, desfocada ou muito inclinada ainda vai ser reconhecida pior do que uma digitalização feita em scanner de mesa.

A aparência das páginas muda?

Só onde o reconhecimento precisa. Por padrão, uma digitalização torta é endireitada, e uma página deitada ou de cabeça para baixo é colocada em pé; essas páginas voltam assim no resultado. Para manter cada página como estava, desligue “Endireitar páginas tortas” e “Girar páginas automaticamente” em “Mais configurações”. O modo “Forçar OCR” também transforma cada página em imagem.

Posso receber texto simples em vez de um PDF?

Sim. Ligue a opção “Incluir também um arquivo de texto simples” e você recebe um ZIP com o PDF e um arquivo .txt de texto simples.

Por que não há opção de PDF/A aqui?

O PDF/A tem uma ferramenta só para ele, Converter PDF para PDF/A, que cuida das exigências extras de arquivamento (fontes incorporadas, perfis de cor, validação) de que o OCR simples não precisa.