Como tornar um PDF digitalizado pesquisável com OCR

Como saber se um PDF é uma digitalização?

Tente selecionar uma frase com o mouse ou buscar uma palavra com Ctrl+F (Cmd+F no Mac). Se nada for selecionado e a busca não encontrar nada, mesmo com a palavra bem visível, a página é uma imagem.

É o caso dos documentos passados no scanner e das fotos transformadas em PDF.

Tornar o PDF pesquisável em 4 passos

1. Abra a ferramenta “OCR PDF” e selecione seu PDF digitalizado.
2. Em “Idioma do documento”, escolha o idioma do texto. “Francês + inglês” serve para documentos que misturam os dois.
3. Escolha o resultado: “PDF pesquisável” para manter a mesma aparência com um texto selecionável, ou “Arquivo de texto” para obter só o texto reconhecido, página por página, em um arquivo .txt.
4. Clique em “Iniciar o OCR” e baixe o arquivo. O nome dele termina em “_ocr”.

Com “PDF pesquisável”, a imagem das páginas não muda: o texto reconhecido é colocado de forma invisível sob cada linha, pronto para ser buscado ou copiado.

Como obter um bom reconhecimento

• Parta de uma digitalização nítida e bem contrastada: um texto borrado ou apagado é mal reconhecido.
• Endireite as páginas de cabeça para baixo com “Girar PDF” antes de iniciar o OCR.
• Escolha o idioma certo: isso melhora bastante o reconhecimento dos acentos.
• Deixe marcada a opção “Ignorar as páginas que já contêm texto”: em um documento misto, só as páginas digitalizadas são processadas.
• Revise os números e os nomes próprios importantes: o OCR pode errar, e ele foi feito para texto impresso, não manuscrito.

Se nenhum texto for reconhecido, o PDFRoll avisa você: nesse caso, confira o idioma escolhido e a qualidade da digitalização.

Antes e depois do OCR

Você está partindo de fotos tiradas com o celular? Comece pelo “Digitalizar para PDF”, que clareia o fundo e reforça o texto, e depois passe o PDF obtido pelo “OCR PDF”.

Digitalizações costumam ser pesadas. Se precisar deixar o arquivo mais leve, comprima-o antes do OCR, de preferência com a “Compressão recomendada”: uma compressão feita depois poderia transformar as páginas de novo em imagens e apagar o texto reconhecido, e uma compressão forte demais antes do OCR deixa os caracteres menos nítidos e, portanto, menos bem reconhecidos. Com o texto reconhecido, o “PDF para Word” permite retrabalhá-lo em um documento editável.

E a privacidade?

O reconhecimento é feito pelo seu navegador. No primeiro uso, o mecanismo de reconhecimento é baixado (alguns MB), mas o seu documento nunca sai do seu aparelho. Depois, conte alguns segundos por página, conforme a potência do seu aparelho.