Um PDF pesquisável é aquele em que o texto é armazenado como caracteres reais no arquivo, e não como uma imagem. Quando você pressiona Ctrl+F e digita uma palavra, o visualizador pode encontrá-la. Quando você seleciona o texto e o copia, caracteres reais são copiados. Para PDFs criados digitalmente, isso é automático. Para PDFs digitalizados, você precisa de OCR para adicionar a camada de texto.
Como saber se um PDF já pode ser pesquisado
Abra o PDF e tente selecionar uma palavra clicando e arrastando. Se palavras individuais forem destacadas e você puder copiá-las, o PDF já possui uma camada de texto – é pesquisável. Se clicar em desenhar uma seleção retangular sobre toda a área em vez de selecionar palavras específicas, a página será armazenada como uma imagem sem camada de texto. É aí que você precisa de OCR.
Experimente o OCR PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.
Executando OCR para adicionar uma camada de texto
A ferramenta OCR PDF de WukongPDF processa PDFs digitalizados no navegador e retorna uma versão onde o texto é reconhecido e incorporado ao lado da imagem digitalizada original. A página parece idêntica – mesma aparência visual, mesma qualidade de digitalização – mas Ctrl+F agora encontra palavras e o texto pode ser selecionado e copiado. Carregue o PDF digitalizado, execute o OCR e baixe a versão pesquisável.
O Adobe Acrobat Pro também possui um mecanismo de OCR robusto em Ferramentas → Digitalizar e digitalizar. OCR → Reconhecer texto. Sua precisão em digitalizações difíceis – texto desbotado, fontes incomuns, escritas não latinas – é geralmente melhor do que as ferramentas de navegador, embora para texto impresso padrão a diferença seja pequena. Se você estiver processando grandes volumes de documentos onde a precisão é importante, o OCR do Acrobat vale o investimento.
Precisão de OCR e suporte a idiomas
A precisão do OCR depende muito da qualidade da digitalização. Uma digitalização limpa e de alto contraste de um documento impresso profissionalmente a 200 DPI ou superior normalmente converte com precisão de caracteres de 98 a 99% – essencialmente livre de erros para fins práticos. Uma fotocópia desbotada, uma digitalização feita em ângulo ou um documento com anotações manuscritas terão mais erros que precisam de correção manual.
A maioria das ferramentas de OCR detecta automaticamente o idioma do documento e usa modelos específicos do idioma para melhorar a precisão. Se um documento reconhece caracteres específicos incorretamente de forma consistente, verifique se o idioma está sendo detectado corretamente – forçar o idioma correto nas configurações de OCR geralmente faz uma diferença notável, especialmente para documentos com caracteres acentuados ou escritas não latinas.
Tornando um PDF pesquisável para arquivamento de longo prazo
As organizações que digitalizam arquivos em papel muitas vezes fazem da capacidade de pesquisa o objetivo principal – a capacidade de encontrar um documento ou cláusula específica em milhares de arquivos anos depois. Para este caso de uso, a saída do OCR deve ser salva em um formato projetado para preservação a longo prazo. PDF/A-3 oferece suporte a camadas de texto incorporadas ao lado da imagem da página e é o padrão de arquivamento projetado especificamente para arquivos de documentos pesquisáveis. Executar o OCR e depois converter para PDF A compactação com configurações de arquivamento garante a capacidade de pesquisa e a estabilidade do formato a longo prazo.
Mesmo o OCR imperfeito é significativamente melhor do que nenhum OCR para fins de arquivamento. Um documento com 95% de precisão de caracteres ainda pode ser pesquisado — uma pesquisa por "fatura" encontrará a maioria das faturas mesmo que alguns caracteres de algumas palavras tenham sido mal interpretados. OCR perfeito é ideal; O OCR funcional ainda é muito mais útil do que uma digitalização sem nenhuma camada de texto.
Experimente o OCR PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.