PDF digitalizado para texto (OCR):
leia o texto de páginas digitalizadas

Como obter o texto de um PDF digitalizado

1. Escolha o Idioma do documento no painel de configurações.
2. Clique em Escolher arquivos ou solte o PDF digitalizado na página.
3. Cada página é lida em sequência, e o progresso mostra até onde foi. A primeira execução baixa o leitor de texto, então começa um pouco mais devagar.
4. Clique em Salvar para baixar o arquivo .txt ou .docx.

Você precisa de OCR? Um teste rápido

Abra o PDF e tente selecionar uma palavra, ou procure uma com Ctrl+F (Cmd+F no Mac). Se a palavra for destacada ou encontrada, o PDF já tem texto. PDF para TXT e PDF para Word são mais rápidos para esses arquivos e copiam o texto com exatidão, sem erros de reconhecimento.

Se nada puder ser selecionado, o PDF contém imagens de páginas, que é o que scanners, aplicativos de digitalização do celular e aparelhos de fax costumam gerar. Esse é o trabalho desta ferramenta.

O que as configurações fazem

• Idioma. Inglês, Urdu + inglês, Hindi + inglês, Árabe + inglês, Espanhol, Português ou Indonésio. Escolha o idioma em que o documento está escrito; as configurações combinadas leem as duas escritas.
• Layout. Automático (encontra colunas) serve para cartas, relatórios e artigos e mantém as colunas separadas. Linha por linha (recibos, tabelas) lê cada página linha após linha e mantém os espaços entre as palavras, o que ajuda com extratos, faturas e listas de preços em que um rótulo e um valor ficam na mesma linha.
• Salvar como. Arquivo de texto (.txt) marca cada página com uma linha como “----- Page 2 -----”. Documento do Word (.docx) começa cada página em uma nova página no Word, e o texto em árabe e urdu é configurado da direita para a esquerda.

Como funciona e o que esperar

Cada página é desenhada em 300 dpi, uma boa resolução para OCR, e lida uma de cada vez. Páginas muito grandes são desenhadas menores para economizar memória. Todas as páginas são lidas, então documentos longos levam um tempo. Para ler só uma parte de um arquivo, reduza-o antes com Separar páginas PDF.

O leitor de texto é baixado uma vez, cerca de 1 MB mais 1 a 3 MB de dados para cada idioma, e fica guardado no seu navegador para a próxima vez.

O resultado contém só as palavras. Fontes, negrito, imagens e bordas de tabela não são mantidos, e a digitalização em si não é alterada. Esta ferramenta não adiciona uma camada de texto ao PDF, então o resultado não é um PDF pesquisável.

Limites e problemas comuns

• Letra de mão não é lida de forma confiável. A ferramenta foi feita para texto impresso e digitado.
• Uma página digitalizada de lado ou de cabeça para baixo não é corrigida. Vire-a para a posição certa com Girar PDF e depois execute o OCR.
• Aparece um aviso de que algumas palavras podem estar erradas. A digitalização está desfocada, pequena ou fraca. Digitalize de novo em resolução maior, se puder, e sempre confira nomes, datas e valores.
• “Algumas páginas não tinham texto que pudéssemos ler” geralmente significa páginas em branco ou só com fotos.
• O PDF está protegido por senha. Remova a senha primeiro com Desbloquear PDF.