O texto de um PDF digitalizado não é selecionável - Como corrigir com OCR

Por que não consegue selecionar texto num PDF digitalizado?

Quando um documento é fisicamente digitalizado e guardado como PDF, o scanner captura uma imagem plana da página - tal como tirar uma fotografia. O ficheiro resultante não contém caracteres de texto reais, apenas píxeis dispostos para parecerem letras. É por isso que clicar em qualquer parte do documento não seleciona nada: não existe uma camada de texto para o cursor agarrar.

Esta é uma das frustrações mais comuns com os PDF. O documento parece perfeitamente legível no ecrã, mas é essencialmente uma fotografia incorporada num contentor PDF. Não é possível pesquisar, copiar ou deixar que um leitor de ecrã o interprete.

O que é OCR e como resolve este problema?

OCR (Reconhecimento Ótico de Carateres) é uma tecnologia que analisa a imagem do texto e a converte em carateres reais legíveis por máquinas. O software examina as formas das letras, compara-as com padrões conhecidos e gera uma camada de texto que é reintegrada no PDF.

Após o processamento OCR, obtém um PDF pesquisável com texto selecionável - visualmente idêntico ao original, mas agora o cursor pode realçar palavras, Ctrl+F pode encontrar frases e copiar e colar funciona normalmente. Leitores de ecrã e ferramentas de acessibilidade também conseguem lê-lo.

Como aplicar OCR a um PDF digitalizado

Existem várias formas de adicionar OCR a um PDF digitalizado, desde ferramentas gratuitas no navegador até software de secretária:

• Converter para Word e depois guardar como PDF: O nosso conversor de PDF para Word extrai o conteúdo visual e converte-o num documento Word editável. No Word, o texto fica completamente selecionável. Pode depois reexportar para PDF com uma camada de texto adequada.
• Adobe Acrobat (pago): A ferramenta padrão da indústria. Abra o PDF, vá a Ferramentas → Digitalizar e OCR → Reconhecer Texto, e o Acrobat adiciona uma camada de texto diretamente. Caro, mas muito preciso.
• Google Drive (gratuito): Carregue o seu PDF digitalizado para o Google Drive, clique com o botão direito e escolha "Abrir com Google Docs." O Google executa OCR automaticamente e abre o texto num documento Docs. Funciona surpreendentemente bem para digitalizações limpas.
• Tesseract OCR (gratuito, código aberto): Um poderoso motor OCR de linha de comandos utilizado por muitas aplicações. Ideal para programadores ou utilizadores técnicos que pretendem uma solução gratuita auto-alojada.
• Adobe Acrobat online (gratuito limitado): A Adobe oferece processamento OCR gratuito limitado através das suas ferramentas online para utilizadores sem subscrição.

Dicas para melhorar a precisão do OCR

A qualidade do OCR depende muito da qualidade da digitalização original. Siga estas dicas para maximizar a precisão:

• Digitalize a 300 DPI ou mais: Digitalizações de baixa resolução produzem carateres desfocados que os motores OCR leem incorretamente. 300 DPI é o mínimo; 600 DPI é ideal para texto pequeno ou documentos detalhados.
• Use preto e branco para documentos de texto: Digitalizações a cores aumentam o tamanho do ficheiro sem melhorar a precisão do OCR para texto simples. Preto e branco ou escala de cinzentos é suficiente para a maioria dos documentos.
• Mantenha as páginas direitas: Páginas inclinadas ou tortas confundem o software OCR. A maioria das ferramentas modernas consegue corrigir automaticamente a inclinação, mas começar direito ajuda.
• Evite manchas de café e sujidade: As marcas físicas no documento são lidas incorretamente como carateres. Limpe o original se possível.
• Verifique o resultado: O OCR não é 100% preciso. Reveja sempre o resultado, especialmente para números, pontuação e secções manuscritas.

Após o OCR: reduza o tamanho do ficheiro se necessário

O processamento OCR pode por vezes aumentar o tamanho do ficheiro PDF porque adiciona uma camada de texto oculta sobre a camada de imagem existente. Se o ficheiro resultante for demasiado grande, utilize o nosso compressor de PDF para reduzir o tamanho sem perder qualidade visual.

E se o OCR não reconhecer o texto corretamente?

A precisão do OCR depende da qualidade da digitalização original. Os resultados deficientes são comuns com: fontes muito pequenas (abaixo de 8 pt), texto manuscrito, fontes decorativas ou incomuns, tinta desbotada ou digitalizações de baixa qualidade abaixo de 200 DPI. Nestes casos, pode ser necessária a redigitação manual - ou redigitalizar o documento original com maior qualidade antes de executar o OCR novamente.