OCR — PDF digitalizado

Extraia o texto de uma digitalização para copiar e pesquisar. Grátis, sem upload. 1 GB máx. · Até 1 GB · Processado localmente, nunca enviado para um servidor.

Um PDF saído de um scanner, de uma fotocopiadora ou de uma máquina fotográfica não contém texto nenhum: cada página é uma fotografia. Uma pesquisa por palavra-chave não encontra nada, o cursor não agarra nada, o copiar e colar devolve o vazio, e o documento permanece inerte para qualquer motor de indexação. Esta ferramenta relê essas imagens caráter a caráter e devolve-lhe um ficheiro de texto que pode mesmo usar.

O reconhecimento assenta no Tesseract, o motor livre nascido na HP e mais tarde desenvolvido pela Google, aqui na compilação JavaScript preparada para o navegador. Cada página retida é desenhada pelo PDF.js num canvas ao dobro do tamanho de exibição e entregue depois à rede neuronal LSTM do motor, aquela que reconhece linhas inteiras em vez de letras isoladas.

O motor e o modelo da língua escolhida pesam cerca de 15 MB e são transferidos no primeiro arranque, o que exige ligação à internet dessa vez. A cache do navegador toma conta do assunto a seguir e a análise decorre na sua própria máquina: o que circula pela rede é o programa de reconhecimento, nunca as páginas que lhe dá a ler.

Como utilizar

  1. Carregue o PDF digitalizado O ficheiro tem de abrir sem palavra-passe. Um PDF de texto nativo é aceite, mas nada tem a ganhar com uma passagem pelo reconhecimento ótico.
  2. Escolha a língua do documento São seis definições: francês, que vem selecionado à partida, inglês, francês mais inglês, alemão, espanhol e italiano. Não existe modelo de português na lista, ponto ao qual voltamos mais abaixo.
  3. Limite as páginas se for preciso O campo Páginas aceita 1-3 ou 2, 5, 8-10, e fica vazio para tratar tudo. Uma gama invertida como 8-5 é reordenada, os números fora do documento são ignorados, e uma escrita que não obedeça a este formato faz aparecer um aviso.
  4. Clique em “Executar” e deixe o separador aberto A barra nomeia a página que está a ser lida e a sua posição na fila, pelo que a página 4 pode surgir como 2/6. Conte alguns segundos por página; fechar ou recarregar o separador interrompe o trabalho.
  5. Recolha o ficheiro de texto O .txt vem codificado em UTF-8 e a nota indica quantas palavras foram reconhecidas. As páginas ficam separadas lá dentro por uma linha no formato — Page 3 —.

Que qualidade de digitalização é necessária

O Tesseract lê aquilo que lhe derem. Uma digitalização a 300 pontos por polegada, direita, a preto e branco franco ou em tons de cinzento, dá resultados sólidos. Abaixo de 200 dpi os caracteres pequenos começam a confundir-se: o rn passa a m, o zero passa a O, os acentos desaparecem.

Há três defeitos que pesam mais do que a resolução:

O desenho é feito à escala 2, ou seja, perto de 144 pontos por polegada. Uma digitalização captada a 600 dpi não é portanto aproveitada em toda a sua finura, mas a margem continua confortável para texto corrente, e um original medíocre não melhora por passar por aqui.

As línguas propostas e o que muda o modelo

Cada língua da lista corresponde a um modelo treinado à parte e transferido a pedido: passar do francês para o alemão desencadeia uma nova transferência, que fica igualmente em cache. O motor é encerrado assim que a última página termina, mesmo quando um erro interrompe o trabalho a meio; só os ficheiros já obtidos ficam guardados para a vez seguinte.

O modelo não serve apenas para reconhecer formas: traz um dicionário e estatísticas de sequências de caracteres que decidem os casos ambíguos. É por isso que um texto acentuado lido com o modelo inglês perde os acentos e corta mal as palavras: o motor não tem razão nenhuma para esperar um é naquele sítio.

Num documento em português, e não havendo modelo próprio, a escolha faz-se por aproximação: o modelo espanhol reconhece os acentos agudos de palavras como está, café ou público, e o francês cobre a cedilha e os circunflexos de câmara, três ou pôde. Nenhum dos dois conhece o til, pelo que não e informações saem quase sempre errados e obrigam a uma substituição em bloco no fim. Vale a pena testar uma página com cada modelo antes de lançar o documento inteiro.

A definição francês mais inglês carrega os dois modelos e deixa o motor arbitrar, útil num relatório recheado de termos técnicos ingleses, ao preço de um tratamento mais lento. Nenhum destes modelos foi treinado para escrita manual: uma carta manuscrita, uma receita médica ou anotações à margem saem como ruído.

O que o ficheiro de texto guarda e o que perde

O .txt contém as palavras pela ordem de leitura que o motor reconstituiu, página após página. Não contém negrito, nem itálico, nem corpo de letra, nem cor, nem imagens, nem a posição dos blocos na folha.

A paginação complexa é o ponto fraco. Num documento a duas colunas o motor segue os blocos como pode, mas uma tabela sai quase sempre como uma série de linhas cujas células se misturam, e um formulário de quadrículas perde a ligação entre a etiqueta e o valor. A contagem final dá uma primeira indicação: um número muito abaixo do que a página contém denuncia uma língua mal escolhida, uma digitalização demasiado pálida ou páginas ao contrário.

Quando outra ferramenta serve melhor

Se o seu PDF já tem texto selecionável, o reconhecimento ótico é um desvio que só pode piorar as coisas: uma conversão normal recupera os caracteres de origem sem margem de erro. O teste demora dois segundos, tente selecionar uma frase no seu leitor habitual.

E se o que procura é um PDF pesquisável, isto é, um documento que mantém o aspeto e ao mesmo tempo se deixa interrogar, esta página não o produz: devolve um ficheiro de texto à parte, para reutilizar ou colar noutro sítio.

Perguntas frequentes

Quanto tempo demoram cinquenta páginas?

Alguns segundos por página num computador recente, mais num telemóvel: conte vários minutos, durante os quais o separador tem de ficar aberto. Trabalhar por fatias com o campo Páginas evita perder tudo se algo interromper o processo.

Não há português na lista de línguas. O que devo escolher?

Os seis modelos disponíveis são francês, inglês, francês mais inglês, alemão, espanhol e italiano. Para texto português, o espanhol acerta nos acentos agudos e o francês na cedilha e nos circunflexos; em ambos os casos o til de ã e õ sai trocado e convém rever o ficheiro no fim.

Mudei de língua e a transferência recomeçou, porquê?

Cada língua tem o seu próprio modelo. A primeira utilização em francês coloca cerca de 15 MB em cache; escolher a seguir o alemão desencadeia a obtenção do modelo alemão. Os modelos já obtidos continuam disponíveis.

O meu PDF já tem texto, o OCR vai melhorá-lo?

Não, vai degradá-lo. A ferramenta ignora a camada de texto existente e relê uma imagem da página: o resultado será, na melhor das hipóteses, equivalente, com erros a mais.

As tabelas e as colunas são respeitadas?

Em parte nas colunas, raramente nas tabelas. A saída é texto simples: as células chegam em linhas sucessivas e o alinhamento desaparece. Um extrato bancário digitalizado continua legível, mas exige uma reformatação.

O que quer dizer a mensagem de que nenhum texto foi reconhecido?

O motor terminou sem encontrar uma única palavra e recusa-se a entregar um ficheiro vazio. Dominam três causas: uma língua mal escolhida, uma digitalização demasiado pálida ou demasiado escura, e páginas viradas ao contrário. Verifique a orientação e volte a lançar sobre uma só página.

Ferramentas semelhantes

Descobrir outras ferramentas

Categorias