Como transformar PDF escaneado em texto com OCR

Por que não dá para pesquisar nem copiar em um PDF escaneado

Quando você passa um contrato, uma certidão ou um capítulo de livro pelo scanner (ou pelo app de digitalização do celular), o resultado é um PDF que contém uma foto de cada página. Para o leitor de PDF, aquilo é uma imagem do mesmo tipo de um JPG: ele sabe desenhar os pixels, mas não sabe que ali existe a palavra “cláusula” ou o número 1.250,00. Por isso o Ctrl+F não encontra nada, o cursor seleciona a página inteira como um bloco e, ao tentar copiar, você cola uma imagem ou não cola nada.

Um jeito rápido de saber se o seu PDF é “imagem”: abra no leitor, tente selecionar uma única palavra com o mouse. Se aparecer um retângulo azul em volta da página toda, ou se nada for selecionado, o arquivo não tem texto. Outra pista é o tamanho: um PDF de 20 páginas gerado no Word costuma ter poucas centenas de KB, e o mesmo documento escaneado passa fácil de alguns MB, porque cada página é uma imagem.

O OCR (reconhecimento óptico de caracteres) resolve isso sem mexer na aparência. Ele analisa a imagem, identifica linhas, palavras e letras, e grava o texto reconhecido como uma camada invisível posicionada exatamente sobre cada palavra da imagem. Você continua vendo o scan original, com a assinatura, o carimbo e a mancha de café, mas agora o leitor encontra as palavras na busca, deixa selecionar uma frase e copiar para outro programa. É isso que se chama de PDF pesquisável.

Um detalhe importante: o OCR não “limpa” nem redesenha a página. Se o scan está torto ou escuro, ele continua torto ou escuro depois do OCR; o que muda é só a camada de texto por cima. Por isso a qualidade do escaneamento decide quase tudo, como você vê na próxima seção.

Como escanear para o OCR reconhecer o texto de um PDF escaneado sem erros

O motor de OCR só reconhece o que consegue enxergar. Antes de culpar o programa, confira como a página foi digitalizada. Estas são as regras que mais fazem diferença:

• 300 ppp de resolução. É o padrão para texto de tamanho normal (corpo 10-12). Com 150 ppp as letras pequenas ficam com poucos pixels e o motor confunde “e” com “c”, “rn” com “m”, “1” com “l”. Acima de 400 ppp o arquivo cresce muito e a precisão quase não melhora. Se o documento tiver notas de rodapé ou letras miúdas, aí sim vale 400 ppp.
• Página reta. Uma inclinação pequena já atrapalha a leitura das linhas. No scanner de mesa, encoste a folha na borda da régua. No celular, fotografe de cima, com o aparelho paralelo à folha, e use o recorte automático do app de digitalização.
• Contraste limpo. Texto preto sobre fundo claro e uniforme. Papel amarelado não é problema; o problema é sombra, reflexo de lâmpada e tinta que vazou do verso. Em papel fino, coloque uma folha preta atrás para o verso não aparecer.
• Sem a sombra do lombo. Em livros e cadernos, a curva perto da costura escurece e entorta as linhas. Abra bem o livro, pressione levemente a tampa do scanner ou escaneie uma página de cada vez. É exatamente nessa faixa que o OCR mais erra.
• Escala de cinza ou cor, não “preto e branco puro”. O modo de 1 bit (só preto ou branco) come partes finas das letras em papel claro e engrossa em papel escuro. Escala de cinza dá mais informação ao motor.

Mesmo com tudo certo, dois tipos de conteúdo saem pior: texto muito pequeno (notas, letras miúdas de contrato, carimbos) e tabelas. Em tabela, o OCR costuma acertar os números, mas pode embaralhar a ordem de leitura entre colunas, o que aparece na hora de copiar ou exportar. Manuscrito, em geral, não é reconhecido de forma confiável.

Se você está digitalizando fotos e documentos antigos ao mesmo tempo, o guia Como digitalizar negativos e slides em casa tem mais detalhes sobre resolução e cuidado com o scanner.

OCR de PDF grátis no computador: Mac, Windows e quais alfabetos funcionam

Muita gente procura “OCR PDF grátis” e acaba em um site que pede para enviar o arquivo. Para um RG, um extrato bancário ou um contrato, isso significa mandar dados pessoais para um servidor que você não conhece. O OCR de PDF grátis do Airpic PDF roda dentro do seu computador: é um app de desktop gratuito, sem conta, e nada é enviado para a internet, nem o PDF nem o texto reconhecido.

O motor de reconhecimento muda conforme o sistema:

• No Mac, o Airpic PDF usa o reconhecimento de texto do próprio macOS, o mesmo que o sistema usa para ler texto em fotos.
• No Windows, usa um motor de OCR de código aberto treinado para o alfabeto latino, que vem dentro do app. Não precisa baixar nada à parte nem ficar conectado.

O que isso cobre na prática: textos em alfabeto latino, com acentos, ou seja, o português com cedilha e til, e as outras línguas que usam o mesmo alfabeto. O que não cobre: escritas que não são latinas, como cirílico, grego, árabe, hebraico ou chinês e japonês. Se o seu documento está em uma dessas escritas, o resultado não vai servir, e é melhor saber disso antes de processar 200 páginas.

Uma advertência honesta, que vai contra o conselho mais repetido: não adianta “melhorar” a página com IA antes do OCR quando o texto está borrado demais. Um modelo que aumenta ou nitidifica imagens inventa contornos plausíveis; em fotos isso funciona, mas em letras ele pode transformar um 3 borrado em um 8 bem nítido, e o OCR vai ler o 8 com toda a confiança. Ferramentas como corrigir foto desfocada ou aumentar a resolução da imagem são feitas para fotos, não para recuperar documentos ilegíveis. Se a página está ruim, o caminho certo é escanear de novo a 300 ppp.

O que revisar depois de fazer um PDF pesquisável

Com um scan limpo a 300 ppp, a maior parte do texto sai correta. Mas “a maior parte” não basta em um documento que você vai usar para algo sério, e os erros se concentram sempre nos mesmos lugares:

• Nomes próprios. Sobrenomes pouco comuns, nomes de empresas e de ruas não estão em nenhum dicionário, então o motor não tem como “adivinhar” a letra duvidosa. Confira cada um que importa.
• Cifras. Valores, CPF, CNPJ, número de processo, dados bancários. Um 0 lido como O, um 5 como S ou uma vírgula decimal perdida mudam tudo. Se você vai copiar um número para outro sistema, compare com a imagem.
• Datas. Barras e pontos somem com facilidade em papel ruim: 12/03/2019 pode virar 1203/2019.
• Hifenização. Palavras partidas no fim da linha às vezes ficam em dois pedaços na busca.

O teste mais rápido para saber se o OCR funcionou leva dez segundos: pesquise uma palavra que você sabe que está no documento, de preferência uma que apareça no meio de uma página e não no título. Abra o PDF em qualquer leitor, aperte Ctrl+F (⌘F no Mac) e digite. Se o leitor destacar a palavra no lugar certo da imagem, a camada de texto está ali e alinhada. Repita com um nome próprio e com um número. Se o nome não aparecer, procure por uma parte dele: isso mostra se o motor leu errado ou se não leu nada.

Outro teste útil: selecione um parágrafo, copie e cole em um editor de texto simples. Você vê na hora como o OCR leu, inclusive a ordem das colunas em tabelas.

Passo a passo: OCR no Airpic PDF e, se precisar editar, exportar para Word

A interface do Airpic PDF está, por enquanto, em espanhol; os nomes dos botões aparecem abaixo como no app. O fluxo completo:

1. Abra o PDF escaneado no Airpic PDF (arraste o arquivo para a janela ou use “Abrir com” no Finder ou no Explorador de Arquivos). As miniaturas das páginas aparecem na lateral.
2. Clique em «OCR». Por padrão o app processa todas as páginas. Se só algumas importam (por exemplo, as 3 páginas do contrato dentro de um arquivo de 40), selecione essas miniaturas antes de clicar: o processamento fica bem mais rápido.
3. Confirme e espere. Cada página é lida no seu computador. A aparência não muda: você continua vendo o mesmo scan.
4. Salve o arquivo. Se quiser manter o original intacto, salve com outro nome.
5. Teste a busca como explicado acima: Ctrl+F ou ⌘F com uma palavra do meio do texto, um nome e um número.

Se o objetivo é editar o conteúdo, e não só pesquisar e copiar, o passo seguinte é exportar. Com o OCR já aplicado, clique em «Exportar» e escolha «Word (.docx)»: o documento sai com o texto reconhecido, parágrafos e tabelas, pronto para abrir no Word, no LibreOffice ou no Google Docs. A ordem importa: converter PDF para Word sem OCR antes gera um .docx só com imagens, sem texto editável. Em layouts com colunas e caixas, espere ajustar a posição de alguns blocos à mão. Se só precisa do texto corrido, «Exportar» também oferece texto simples (.txt).

Um último cuidado: um PDF escaneado costuma ser pesado. Se for mandar por e-mail depois do OCR, comprimir PDF reduz as imagens das páginas sem perder a camada de texto, e o artigo Comprimir PDF para enviar por e-mail explica quanto dá para ganhar.

Para começar, baixe o app na página de OCR de PDF do Airpic PDF: é grátis, para Mac e Windows, e o arquivo não sai do seu computador.

FAQ

Continuar a ler