Como tornar um PDF digitalizado pesquisável com OCR
Um PDF digitalizado parece texto, mas na verdade é uma imagem de uma página, por isso não consegue selecionar uma palavra nem procurar um nome. O OCR (reconhecimento ótico de caracteres) lê a imagem e acrescenta uma camada de texto real, tornando o documento pesquisável e copiável.
Como saber se precisa de OCR
Tente selecionar uma linha de texto no PDF. Se o cursor realçar palavras individuais, o documento já tem uma camada de texto. Se nada for selecionado, ou se a página inteira ficar realçada como uma única imagem, é uma digitalização que precisa de OCR.
Isto é importante para encontrar uma cláusula num contrato longo, citar um relatório ou tornar um arquivo pesquisável.
Passo a passo
Abra o OCR PDF e carregue o seu documento digitalizado. A ferramenta lê cada página e cria uma camada de texto por trás da imagem.
Transfira o resultado. Tem exatamente o mesmo aspeto, mas agora pode selecionar, copiar e pesquisar o texto, e outras ferramentas também o conseguem ler.
Obter os melhores resultados
A precisão do OCR depende da qualidade da digitalização. Digitalizações direitas, com bom contraste e boa iluminação são lidas quase na perfeição; digitalizações tortas ou ténues dão mais erros. Endireitar primeiro uma digitalização inclinada melhora o resultado.
Quando houver meia dúzia de números importantes, confirme-os sempre com o original, porque nenhum OCR é perfeito em digitalizações de má qualidade.
Porque é que uma digitalização precisa de OCR
Um PDF digitalizado parece um documento, mas para um computador é apenas uma fotografia de um documento. Não consegue selecionar o texto, pesquisá-lo nem copiá-lo, porque não há lá texto, apenas uma imagem de tinta em papel. O OCR (reconhecimento ótico de caracteres) lê as formas dessa imagem e reconstrói os caracteres reais, transformando a imagem numa camada de texto verdadeira, pesquisável e selecionável, por baixo da página.
É este o passo que desbloqueia tudo o resto: assim que uma digitalização tem uma camada de texto, pode pesquisá-la, copiar a partir dela, convertê-la para Word e editá-la. Sem OCR, um contrato digitalizado é, na prática, uma fotografia com a qual não consegue trabalhar.
Obter um resultado preciso
A precisão do OCR depende muito da qualidade da digitalização. Uma digitalização limpa, direita e com bom contraste de texto impresso é lida quase na perfeição. Uma fotocópia ténue, uma página fotografada de lado ou texto manuscrito são muito mais difíceis. Para o melhor resultado, digitalize ou fotografe com boa luz, mantenha a página plana e direita e use a resolução mais alta que for razoável.
Se uma página ficou torta, endireitá-la primeiro com o Endireitar PDF melhora visivelmente o reconhecimento, porque o OCR lê linhas de texto horizontais com mais fiabilidade quando estão de facto na horizontal.
O que fazer depois do OCR
Assim que a digitalização for pesquisável, pode pô-la a trabalhar: convertê-la para Word para a tornar totalmente editável, copiar citações ou valores, ou simplesmente guardá-la como PDF arquivado que pode encontrar mais tarde pesquisando o seu texto. Em grandes lotes de registos digitalizados, é o OCR que transforma um monte inútil de imagens numa biblioteca pesquisável.