Pressionar Ctrl+F em um PDF e não encontrar nada – ou encontrar a barra de pesquisa funciona, mas retorna zero resultados, mesmo para palavras que você pode ver claramente na página – é um problema de camada de texto. O PDF não contém texto pesquisável, o que significa que o que você está vendo é uma imagem e não caracteres reais. A solução é o OCR e é mais rápido do que a maioria das pessoas espera.
Por que alguns PDFs não têm texto pesquisável
Um PDF pode conter dois tipos de conteúdo fundamentalmente diferentes. O primeiro é o texto real – caracteres armazenados como dados de texto que podem ser pesquisados, selecionados e copiados. A segunda são os dados de imagem – uma fotografia de uma página onde as letras são apenas pixels, visualmente indistinguíveis do texto real na tela, mas estruturalmente completamente diferentes.
Os documentos digitalizados são sempre baseados em imagens – o scanner fotografa a página. Mas mesmo os documentos criados digitalmente podem acabar sendo apenas imagens se forem convertidos por meio do nivelamento do conteúdo, exportados de determinado software de design sem preservação de texto ou salvos por meio de fluxos de trabalho de impressão em imagem. O resultado visual parece idêntico; apenas a estrutura de dados subjacente é diferente.
Experimente o OCR PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.
Como verificar se seu PDF possui uma camada de texto
Abra o PDF e tente clicar e arrastar para selecionar uma única palavra. Se você puder destacar palavras individuais e o texto selecionado aparecer destacado em azul (ou na cor de seleção do visualizador), o PDF terá uma camada de texto real e deverá ser pesquisável. Se clicar e arrastar produzir uma caixa de seleção retangular sobre a imagem da página em vez de destacar palavras específicas, o documento será baseado em imagem.
Um segundo teste: tente Ctrl+A para selecionar tudo. Em um PDF baseado em texto, o texto é destacado em todo o documento. Em um PDF baseado em imagem, nada é selecionado visivelmente ou a página inteira é selecionada como um único bloco de imagem.
A correção: executando OCR
OCR (reconhecimento óptico de caracteres) lê a imagem e converte o que vê em caracteres de texto, adicionando uma camada de texto ao PDF. Após o OCR, o documento pode ser pesquisado – Ctrl+F encontra palavras, o texto pode ser selecionado e copiado e os leitores de tela podem interpretar o conteúdo.
A ferramenta OCR PDF de WukongPDF lida com isso no navegador. Carregue o PDF baseado em imagem, execute o OCR e baixe a versão pesquisável. A aparência visual do documento não muda – as páginas parecem idênticas – mas os dados subjacentes agora incluem uma camada de texto que as ferramentas de pesquisa e seleção podem usar.
A precisão do OCR depende da qualidade da digitalização original. Texto preto limpo e de alto contraste em papel branco com OCRs de mais de 200 DPI e precisão de 98-99%. Tinta desbotada, digitalizações de baixa resolução, fontes incomuns ou caligrafia produzem mais erros. Para a maioria dos documentos comerciais digitados, os resultados do OCR são limpos o suficiente para serem usados imediatamente.
Quando a pesquisa não encontra nada apesar do texto existente
Uma situação menos comum: o PDF possui uma camada de texto real, a seleção de texto funciona, mas a função de pesquisa ainda não retorna resultados. Isso geralmente significa que o índice de pesquisa do visualizador PDF ainda não foi criado. Alguns visualizadores criam o índice em segundo plano após a abertura. Espere alguns segundos e tente novamente. Se o problema persistir, tente uma consulta de pesquisa diferente usando termos mais simples ou abra o arquivo em um visualizador diferente.
Outra causa: a camada de texto existe, mas contém caracteres distorcidos devido a problemas de codificação de fonte. Se você tentar copiar uma frase e colá-la em outro lugar e ela aparecer como símbolos aleatórios, a codificação do texto será quebrada. OCR também resolve isso – ele reconstrói a camada de texto do zero, lendo o conteúdo visual, substituindo a codificação quebrada pelo texto correto.
Tornar os PDFs futuros sempre pesquisáveis
Para documentos digitalizados, executar o OCR imediatamente após a digitalização significa que cada PDF digitalizado poderá ser pesquisado a partir do momento em que for arquivado. Alguns softwares de scanner possuem OCR integrado e o aplicam automaticamente – habilite esta configuração se estiver disponível. Para scanners sem OCR integrado, uma rápida passagem de OCR pós-digitalização antes do arquivamento adiciona segundos por documento e economiza um tempo significativo quando você precisa encontrar algo semanas ou meses depois.
Para documentos criados digitalmente, certifique-se de usar uma exportação adequada em vez de impressão em imagem. Exportar diretamente do Word, Google Docs ou qualquer aplicativo profissional preserva a camada de texto automaticamente. O problema de pesquisa só aparece quando o processo de exportação rasteriza o conteúdo – o que geralmente acontece com imprimir em PDF usando determinados drivers ou com opções de exportação que nivelam explicitamente o documento.
Experimente o OCR PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.