Um documento digitalizado chega como PDF. Parece um documento. Ele exibe texto em todas as páginas. Mas quando você tenta pesquisar uma palavra, a pesquisa não retorna resultados. Quando você tenta selecionar texto com o cursor, nada é destacado. O PDF é um arquivo somente de imagem. Cada página é uma fotografia de texto, não o texto em si. A conversão deste PDF somente de imagem em um documento de texto totalmente pesquisável requer duas etapas: OCR para extrair o texto das imagens e conversão para um formato onde o texto é primário e as imagens são secundárias.
As ferramentas de OCR baseadas em navegador podem processar PDFs somente de imagem e adicionar uma camada de texto pesquisável atrás de cada imagem de página. A aparência visual das páginas não muda. A camada de texto fica invisível até que você a selecione ou pesquise. Após o OCR, o PDF pode ser pesquisado. Converter a saída do OCR em um formato de documento de texto como o Word torna o texto editável e reutilizável.
O pipeline OCR PDF para texto pesquisável transforma uma coleção de imagens de páginas em um documento que se comporta como se tivesse sido criado digitalmente. O texto é pesquisável, selecionável e exportável.
O processo de conversão em duas etapas
Etapa um: carregue o PDF somente com imagem para uma ferramenta de OCR. A ferramenta analisa cada imagem da página, reconhece os caracteres e adiciona uma camada de texto transparente. Baixe o PDF processado por OCR. Verifique se o texto agora pode ser pesquisado. Etapa dois: converta o PDF processado por OCR para Word ou formato de texto simples. A conversão extrai o texto reconhecido e o coloca em um documento editável. O arquivo Word resultante contém o texto do documento, pronto para edição, formatação e reutilização.
WukongPDF As ferramentas de OCR adicionam camadas de texto pesquisáveis. O Conversor de PDF de PDF processado por OCR para Word produz texto editável a partir de originais apenas com imagem.
Experimente o OCR de PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.
Gerenciando a precisão do OCR para PDFs somente imagem
A precisão do OCR depende da qualidade da imagem. Uma digitalização limpa de 300 DPI de texto impresso produz um reconhecimento quase perfeito. Uma digitalização de baixa resolução ou uma fotografia de um documento produz mais erros. Antes de converter um PDF grande somente com imagem, teste uma página. Execute o OCR na página e revise o resultado. Se a precisão for aceitável, processe todo o documento. Se a precisão for baixa, melhore a qualidade da digitalização e reprocesse.
O PDF digitalizado que foi submetido a OCR e convertido em texto é pesquisável, editável e reutilizável. O original apenas com imagem serviu ao seu propósito. A versão pesquisável serve ao seu futuro.
Escolhendo entre PDF pesquisável e conversão de texto completo
Um PDF pesquisável preserva as imagens originais da página com uma camada de texto adicionada. A aparência visual permanece inalterada. O documento é pesquisável, mas não editável. Isto é apropriado para documentos de arquivo e de referência. A conversão de texto completo para Word substitui as imagens da página por texto editável. A aparência visual muda. O documento é pesquisável e editável. Isto é apropriado para documentos cujo conteúdo será reutilizado.
A conversão de PDF para Word a partir da saída OCR é o caminho para a editabilidade. O PDF pesquisável é o caminho para a pesquisa. Escolha o formato de saída que corresponde à forma como o documento será usado.
Preservando as imagens da página original na saída
Alguns fluxos de trabalho exigem as imagens da página original e o texto pesquisável. A saída deve se parecer com a digitalização original, embora seja pesquisável. Este é o comportamento padrão das ferramentas de OCR que adicionam uma camada de texto atrás das imagens. A aparência visual permanece inalterada. A funcionalidade de texto é adicionada.
O PDF digitalizado com camada de texto OCR preserva a aparência original e adiciona capacidade de pesquisa. O documento serve a propósitos visuais e funcionais.
Escolhendo configurações de idioma de OCR para PDFs multilíngues somente com imagem
Se o PDF somente imagem contiver vários idiomas, selecione todos os idiomas aplicáveis nas configurações de OCR. Uma configuração somente em inglês irá distorcer o texto que não esteja em inglês. Uma configuração multilíngue aplica o modelo de reconhecimento apropriado a cada região de texto. A seleção do idioma afeta diretamente a precisão do OCR.
A configuração de idioma OCR PDF para PDFs multilíngues somente de imagem deve incluir todos os idiomas que aparecem no documento. A falta de um idioma produz uma saída distorcida para o texto desse idioma.
Comparando a precisão do OCR em vários mecanismos
Diferentes mecanismos de OCR produzem resultados diferentes no mesmo PDF somente de imagem. Para documentos críticos, execute o mesmo arquivo por meio de dois mecanismos de OCR diferentes e compare o resultado. Use o resultado mais preciso. A comparação leva mais tempo, mas produz a melhor qualidade de texto possível.
A abordagem de mecanismo duplo OCR PDF é apropriada para documentos onde a precisão do texto é crítica. A comparação identifica qual mecanismo lida melhor com as características específicas do documento.
Adicionando metadados à saída pesquisável
Após converter para texto pesquisável, adicione metadados ao arquivo de saída. Título, autor, assunto e palavras-chave tornam o documento detectável em sistemas de busca. Os metadados devem descrever o conteúdo do documento e não o processo de conversão. O PDF original somente com imagem tinha metadados mínimos. A versão pesquisável deve ser descrita na íntegra.
O enriquecimento de metadados PDF digitalizado é a etapa final no fluxo de trabalho de conversão. Um documento pesquisável com bons metadados pode ser encontrado e utilizado.
Criando uma saída híbrida com texto pesquisável e imagens originais
Para fins de arquivamento, crie um PDF híbrido que contenha as imagens da página original e a camada de texto pesquisável. O documento se parece exatamente com a digitalização original. A camada de texto permite pesquisa e seleção sem alterar a aparência visual. Esta é a saída padrão do processamento OCR e é o melhor formato para documentos que devem manter sua aparência original.
A saída híbrida PDF digitalizado serve tanto para preservação quanto para usabilidade. As imagens preservam o original. O texto permite funcionalidades modernas de documentos.
Convertendo texto pesquisável de volta em PDF para distribuição
Após editar o texto extraído no Word, converta-o novamente em PDF para distribuição. O novo PDF é totalmente digital, sem artefatos de imagem. É menor, mais limpo e mais acessível do que o arquivo original somente de imagem. A conversão de volta para PDF completa a transformação de apenas imagem para totalmente digital.
A viagem de ida e volta do PDF Converter de apenas imagem para texto editável e PDF digital limpo é um fluxo de trabalho de modernização de documentos. O conteúdo é preservado. O formato é atualizado.
Experimente o OCR de PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.