Você tem uma pilha de impressões que alguém marcou com uma caneta e também várias páginas que escreveu diretamente no Google Docs. Você precisa combinar tudo em um único arquivo PDF que pareça profissional e consistente. As páginas digitalizadas são fotografias planas de papel. As páginas digitais contêm texto ativo. Esses dois tipos fundamentalmente diferentes de conteúdo PDF podem conviver em um único documento? A resposta curta é sim, mas o quão bem eles coexistem depende de como você aborda a fusão.
Este não é um cenário incomum. Uma pesquisa de 2024 da Association for Information and Image Management descobriu que 42% das organizações ainda lidam regularmente com uma combinação de documentos digitalizados e criados digitalmente em seus fluxos de trabalho diários (AIIM, "State of Intelligent Information Management", 2024). PDFs híbridos, documentos que contêm páginas de imagens digitalizadas e páginas de texto digitalizadas, são uma realidade em escritórios de advocacia, empresas de contabilidade, agências imobiliárias e departamentos acadêmicos.
O que diferencia as páginas digitalizadas e as páginas digitais em um PDF
Para entender por que a mesclagem de páginas digitalizadas e digitais requer algum cuidado, é útil saber o que cada tipo de página realmente contém no nível do arquivo. Uma página digital armazena caracteres de texto individuais, cada um com uma posição precisa, uma referência de fonte e um valor Unicode. As funções de pesquisa podem ler esses caracteres diretamente. Uma página digitalizada armazena uma única imagem compactada, geralmente no formato JPEG ou JPEG2000, que ocupa uma área retangular igual às dimensões da página. O arquivo não sabe nada sobre o que a imagem representa. Pode ser um texto, uma fotografia ou um desenho, e o PDF não faz distinção.
Esta diferença tem consequências práticas. Em um PDF híbrido mesclado, algumas páginas serão pesquisáveis e outras não. Algumas páginas terão texto selecionável e outras se comportarão como fotografias. O tamanho do arquivo por página também varia drasticamente. Uma página de texto simples criada digitalmente pode ocupar de 30 a 50 KB. Uma digitalização colorida de 300 DPI do mesmo conteúdo pode ocupar de 500 KB a 2 MB. Um documento híbrido de 20 páginas pode facilmente variar de 2 MB para um arquivo digital a 30 MB para um arquivo digitalizado. Essa variação é importante quando você envia o documento por e-mail ou o carrega em um portal com tamanho de arquivo restrito.
Experimente mesclar PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.
Como mesclar páginas digitalizadas e digitais mantendo tudo organizado
O processo real de combinação de páginas PDF digitalizadas e digitais não é diferente de mesclar qualquer outro conjunto de arquivos PDF. Qualquer ferramenta Merge PDF pode realizar o trabalho. A ferramenta de mesclagem de WukongPDF permite fazer upload de arquivos em qualquer ordem, arrastar para reorganizar páginas e baixar um único PDF combinado. A ferramenta não se importa se cada página de origem foi originada de um scanner ou processador de texto. Ele trata todas as páginas de entrada igualmente e as une na sequência especificada.
A consideração mais importante é o que acontece após a fusão. Se você deseja que o documento final seja totalmente pesquisável, as páginas digitalizadas precisam passar por uma etapa de OCR, antes ou depois da fusão. Executar o OCR antes de mesclar oferece mais controle porque você pode verificar a qualidade do texto de cada arquivo digitalizado individualmente. Executar o OCR após a mesclagem é mais conveniente porque você processa o documento inteiro de uma só vez. Ambas as abordagens funcionam. A escolha depende se você precisa ajustar as configurações de OCR de maneira diferente para diferentes documentos de origem.
A consistência do tamanho da página é outro detalhe que vale a pena monitorar. As páginas digitalizadas geralmente têm como padrão as dimensões físicas do papel na mesa do scanner, normalmente Carta dos EUA (8,5 x 11 polegadas). As páginas digitais podem ter sido criadas em A4 (8,27 x 11,69 polegadas) ou em quaisquer dimensões personalizadas usadas pelo aplicativo original. Quando páginas de tamanhos ligeiramente diferentes aparecem no mesmo PDF, a maioria dos visualizadores lida com a variação de maneira elegante, dimensionando cada página para caber na janela de visualização. Mas a transição visual entre tamanhos de página ligeiramente diferentes pode ser chocante durante a rolagem. Se a consistência for importante para o seu caso de uso, considere padronizar todas as páginas em um único tamanho durante o processo de mesclagem.
Quando PDFs híbridos fazem sentido e quando não fazem sentido
PDFs híbridos são uma solução prática em muitas situações comuns. Os profissionais jurídicos combinam rotineiramente contratos redigidos digitalmente com documentos digitalizados e provas. Corretores imobiliários mesclam ofertas criadas digitalmente com relatórios de fiscalização digitalizados e formulários de divulgação. Os contadores agrupam demonstrações financeiras geradas por computador com recibos e faturas digitalizadas. Em cada um desses casos, o PDF híbrido atende ao seu propósito: cria um arquivo único e organizado que alguém pode abrir, percorrer e revisar do início ao fim.
Existem situações, no entanto, em que um PDF híbrido é insuficiente. Se o destinatário precisar pesquisar texto em todo o documento, as páginas digitalizadas ficarão invisíveis para a função de pesquisa, a menos que tenham sido processadas por OCR. Se o destinatário precisar copiar e colar texto de qualquer página, as páginas digitalizadas serão reprovadas no teste. Se o documento for submetido a um sistema que realiza extração automatizada de texto ou indexação de texto completo, como um sistema de arquivamento eletrônico judicial ou uma plataforma de gerenciamento de documentos, as páginas não digitalizadas produzirão resultados em branco ou cheios de erros nesses sistemas.
Para esses cenários de alto risco, executar o OCR em cada página digitalizada antes da fusão não é opcional, é essencial. Um PDF híbrido totalmente pesquisável funciona quase indistinguivelmente de um totalmente digital. A única diferença restante é que as páginas digitalizadas não irão refluir seu texto quando ampliadas, enquanto as páginas digitais podem, dependendo de como foram criadas. Para fins mais práticos, um PDF híbrido bem executado com OCR em cada página digitalizada proporciona a mesma experiência do usuário que um documento puramente digital.
Gerenciamento do tamanho do arquivo ao misturar conteúdo digitalizado e digital
O tamanho do arquivo costuma ser a primeira coisa que as pessoas notam em um PDF híbrido, e não de uma forma positiva. Um documento de 10 páginas, onde 3 páginas são digitalizadas em cores de 300 DPI e 7 são de texto digital simples, pode facilmente exceder 10 MB. Se esse documento precisar ser enviado por e-mail, muitos servidores de e-mail impõem um limite de 25 MB para anexos, e os destinatários em conexões de dados móveis não apreciarão o download de um arquivo tão grande para conteúdo que poderia ter uma fração do tamanho.
Várias técnicas podem controlar o tamanho do arquivo de um PDF híbrido. A digitalização em preto e branco ou em escala de cinza em vez de colorida reduz o tamanho do arquivo por página em aproximadamente 60% a 80% para documentos com muito texto. Reduzir a resolução da digitalização de 300 DPI para 200 DPI reduz o tamanho do arquivo aproximadamente pela metade, ao mesmo tempo em que fornece detalhes suficientes para texto legível e resultados de OCR aceitáveis. Aplicar compactação ao PDF mesclado como etapa final pode reduzir ainda mais o tamanho total. PDF digitalizados beneficiam-se particularmente da compactação porque as imagens digitalizadas geralmente contêm muito mais dados de pixels do que o necessário para visualização ou impressão na tela. A ferramenta de compactação WukongPDF pode reduzir um PDF híbrido em 50% a 70% sem perda visível de qualidade, fazendo a diferença entre um arquivo que sai de um servidor de e-mail e outro que passa por ele.
Passo a passo: Criando um PDF híbrido limpo
Uma abordagem consistente para construir PDFs híbridos produz melhores resultados do que improvisar todas as vezes. Comece digitalizando todas as páginas físicas a 300 DPI em escala de cinza, a menos que seja especificamente necessário colorir. Salve-os como arquivos PDF individuais, não como uma única digitalização combinada. Em seguida, abra cada arquivo digitalizado e verifique se as páginas estão retas e legíveis. Execute o OCR nos arquivos digitalizados se precisar que o documento final seja pesquisável.
Reúna suas páginas digitais. Se eles estiverem espalhados por vários arquivos, mescle-os primeiro. Agora você deve ter dois conjuntos limpos: um lote de PDFs digitalizados e um lote de PDFs digitais. Use uma ferramenta de mesclagem para combiná-los na ordem correta. Uma interface de mesclagem baseada em navegador mostra todas as páginas carregadas como miniaturas que você pode arrastar para a posição, portanto, organizar as páginas digitalizadas e digitais em sequência é rápido e visual.
Após a fusão, faça uma rápida verificação de qualidade. Percorra cada página. Procure páginas que parecem giradas, páginas onde a digitalização cortou parte do conteúdo e páginas onde o texto é tão fraco que é difícil de ler. Corrija quaisquer problemas na origem e mescle novamente, se necessário. Execute um teste de pesquisa Ctrl+F em algumas palavras que você sabe que aparecem nas páginas digitalizadas. Se a pesquisa os encontrar, o OCR está funcionando corretamente. Caso contrário, as páginas digitalizadas precisarão de outra passagem pelo OCR antes que o documento esteja pronto para ser compartilhado.
Por fim, verifique o tamanho do arquivo. Se o documento for destinado a e-mail, tente mantê-lo abaixo de 10 MB. Se exceder isso, execute uma etapa de compactação e verifique novamente. Os poucos minutos extras gastos nessas etapas de verificação são muito menos dolorosos do que ter um cliente, colega ou funcionário do tribunal informando que o documento que você enviou está inutilizável.
Experimente mesclar PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.