Como usar: OCR de PDF
- 1
Adicione o PDF digitalizado
Solte um arquivo de um scanner ou de um app de digitalização do celular; a ferramenta verifica quantas páginas já têm texto selecionável.
- 2
Escolha os idiomas
O Inglês já vem selecionado e o idioma do seu navegador é sugerido; adicione até quatro idiomas que realmente aparecem no documento.
- 3
Defina a precisão e as páginas
Melhor lê as páginas a 300 DPI e Mais rápido a 200 DPI. Limite a execução a um intervalo de páginas e use Pular páginas que já têm texto.
- 4
Baixe os resultados
Salve o PDF pesquisável ou baixe tudo o que foi reconhecido em um arquivo .txt, com um marcador antes de cada página.
Limites e Pro
Grátis: PDFs de até 50 MB, OCR em até 200 páginas por execução e até 4 idiomas de reconhecimento ao mesmo tempo, entre 47 disponíveis.
O Pro eleva o limite para 5.000 páginas por execução e arquivos de até 4 GB; a velocidade de reconhecimento continua dependendo do processador do seu dispositivo. Ver o Pro
Sobre: OCR de PDF
O resultado é o seu PDF original com uma camada de texto invisível adicionada a cada página digitalizada. A digitalização em si não é recomprimida nem redesenhada, então o visual continua exatamente igual, mas cada palavra reconhecida agora fica na sua posição na página: Ctrl+F encontra, clicar e arrastar seleciona, e copiar e colar gera texto de verdade. As páginas são renderizadas a 300 DPI (200 no modo Mais rápido) e lidas pelo Tesseract, o mecanismo de OCR de código aberto, executado como WebAssembly no seu navegador, com várias páginas processadas em paralelo e uma linha de status para cada uma.
Páginas digitalizadas de lado ou de cabeça para baixo são detectadas e lidas na orientação correta, páginas que já têm texto selecionável podem ser puladas para que documentos mistos não sejam processados duas vezes, e a camada de texto é armazenada em Unicode, então resultados em cirílico, grego, árabe, hebraico, hindi, tailandês, chinês, japonês e coreano podem ser pesquisados e copiados como o alfabeto latino. Uma exportação em texto simples reúne tudo o que foi reconhecido, página por página.
Usos típicos: tornar cartas e contratos arquivados pesquisáveis, extrair valores de uma fatura digitalizada, preparar uma digitalização para converter em Word ou dar a quem usa leitor de tela um texto que possa ouvir.
A precisão depende da digitalização. Texto impresso limpo a 300 DPI costuma ser lido quase perfeitamente; escrita à mão, fotos de baixo contraste, fontes decorativas, letras minúsculas e páginas fotografadas em ângulo acentuado geram mais erros. Páginas muito inclinadas não são endireitadas, e o mecanismo lê palavras, não o layout, então colunas e tabelas saem como linhas de texto simples na exportação.
Privacidade
As páginas digitalizadas são renderizadas e reconhecidas dentro desta aba do navegador pelo Tesseract compilado para WebAssembly; nem o PDF nem o texto reconhecido são enviados a um servidor. O mecanismo e os arquivos dos idiomas que você escolher, de 2 a 15 MB cada, são baixados uma vez de uma CDN pública e ficam no cache do navegador.
Recursos
Pesquise e copie
As palavras reconhecidas ficam posicionadas sobre a digitalização, então buscar, selecionar e copiar funcionam no Acrobat, no Preview, no Chrome e em outros leitores.
Qualidade da digitalização intacta
Só uma camada invisível é adicionada, então carimbos, assinaturas e fotos mantêm a nitidez original e o arquivo quase não cresce.
47 idiomas
Do Inglês, Espanhol e Alemão ao Árabe, Hindi, chinês, Japonês e Coreano, combináveis até quatro por vez.
Páginas giradas
Uma página de lado ou de cabeça para baixo é testada em cada orientação e a melhor leitura é mantida.
Documentos mistos
Páginas que já têm camada de texto são deixadas como estão, o que economiza tempo em PDFs só parcialmente digitalizados.