Um PDF montado a partir de diversas fontes geralmente contém uma mistura de páginas de imagens digitalizadas e páginas de texto criadas digitalmente. As primeiras dez páginas são texto digital nítido de uma exportação de relatório. Os próximos cinco são imagens digitalizadas de notas manuscritas. O apêndice é uma mistura de ambos. Este documento híbrido cria desafios de processamento: o OCR só funciona nas páginas digitalizadas, as configurações de compactação corretas para texto digital são erradas para imagens digitalizadas e as ferramentas de pesquisa encontram conteúdo em algumas páginas, mas não em outras.
Lidar bem com PDFs mistos significa tratar cada tipo de página de maneira adequada, sem dividir o documento em arquivos separados. Este guia aborda como identificar quais páginas precisam de qual tratamento, como aplicar operações seletivamente e como produzir uma saída unificada que seja pesquisável, de tamanho razoável e de aparência consistente.
De acordo com uma análise de 2024 da empresa de gerenciamento de documentos M-Files, PDFs mistos digitalizados e digitais representam aproximadamente 22% de todos os PDFs em repositórios de documentos corporativos (M-Files, "Enterprise Document Composition Analysis," 2024). O formato híbrido é comum porque os documentos são compilados a partir de diversas fontes. O desafio de processamento é padrão.
Identificando quais páginas são quais
A maneira mais rápida de identificar páginas digitalizadas é tentar selecionar o texto. Abra o PDF e arraste o cursor pelo texto de uma página. If the text highlights and you can copy it, the page is digital. Se você não conseguir selecionar palavras individuais e o cursor selecionar a página inteira como uma imagem, a página será digitalizada. Percorra o documento página por página e observe quais páginas são digitalizadas. Isso leva um minuto para um documento típico e informa exatamente quais páginas precisam de OCR.
Para documentos com muitas páginas, um método mais rápido é procurar uma palavra comum como ou e. Os resultados da pesquisa corresponderão apenas em páginas digitais. As páginas sem correspondência são as digitalizadas. A etapa de identificação PDF digitalizado é essencial porque aplicar o processamento errado a um tipo de página produz resultados ruins. A compactação muito agressiva das páginas digitalizadas torna o texto ilegível. Não fazer o OCR torna o conteúdo invisível para pesquisa.
Experimente o OCR de PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.
OCR seletivo: processando apenas as páginas digitalizadas
Executar OCR em páginas digitais é um desperdício e pode, na verdade, degradar a qualidade ao adicionar uma segunda camada de texto que pode entrar em conflito com o original. A abordagem correta é executar o OCR apenas nas páginas digitalizadas, deixando as páginas digitais intactas. Algumas ferramentas de OCR baseadas em navegador oferecem suporte à seleção de páginas, permitindo especificar um intervalo de páginas ou selecionar páginas individuais para processamento de OCR.
Se a sua ferramenta não suportar OCR seletivo, divida o PDF em seções digitalizadas e digitais, faça o OCR apenas nas seções digitalizadas e, em seguida, mescle tudo novamente. As etapas extras de divisão e mesclagem adicionam alguns minutos ao fluxo de trabalho, mas produzem um resultado melhor do que executar o OCR indiscriminadamente. As ferramentas OCR PDF e a funcionalidade de mesclagem de WukongPDF apoiam essa abordagem seletiva.
Estratégias de compactação para documentos mistos
Uma única configuração de compactação aplicada a um documento misto produz resultados irregulares. A configuração correta para imagens digitalizadas, normalmente compactação moderada para preservar a legibilidade do texto, é muito conservadora para páginas de texto digital, que podem ser compactadas de forma mais agressiva sem perda visível de qualidade. A configuração correta para texto digital torna as páginas digitalizadas ilegíveis.
A solução é a mesma estratégia de mesclagem de processo dividido: separar as seções digitalizadas e digitais, compactar cada uma com configurações apropriadas ao seu tipo de conteúdo e recombinar. O fluxo de trabalho PDF Tools para documentos mistos envolve mais etapas do que processar um documento uniforme, mas a qualidade da saída justifica o esforço extra. Um documento misto processado com configurações uniformes terá páginas digitais inchadas ou páginas digitalizadas ilegíveis.
Quando desistir e mantê-los separados
Para alguns documentos mistos, a abordagem de fusão de processo dividido produz um resultado que é tecnicamente correto, mas visualmente inconsistente. As páginas digitalizadas e as páginas digitais processadas de forma diferente terão uma aparência diferente no documento final. Se a consistência visual for mais importante do que ter um único arquivo, mantenha as seções digitalizadas e digitais como PDFs separados. O destinatário recebe dois arquivos que parecem consistentes, em vez de um arquivo que parece incompatível. A decisão PDF Tools é prática, não dogmática.
Experimente o OCR de PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.