Como saber se um PDF precisa de OCR
Um PDF vindo de um scanner, de um app de digitalização no celular ou de um gateway de fax normalmente contém uma imagem por página e mais nada. Ele parece um documento, mas, para o computador, é uma fotografia. Os sinais são fáceis de notar:
- Ctrl+F (Cmd+F no Mac) não encontra nada, nem uma palavra que você está vendo claramente.
- Arrastar o mouse seleciona a página inteira como um bloco, e não palavras individuais.
- Copiar e colar não produz nada, ou o leitor se oferece para "reconhecer o texto".
- A busca de documentos do seu e-mail, da nuvem ou do seu arquivo nunca encontra o arquivo.
O OCR resolve as quatro coisas de uma vez. Candidatos típicos são contratos assinados que passaram por um scanner, arquivos antigos em papel, recibos e notas fiscais para a contabilidade e capítulos de livros digitalizados para estudo.
O que o servidor faz com o seu arquivo
A conversão roda o OCRmyPDF com o motor de reconhecimento Tesseract no nosso servidor. Para cada página, ele renderiza a imagem da página, reconhece as palavras no idioma escolhido e as acrescenta de volta como uma camada de texto invisível, posicionada com precisão sobre as palavras correspondentes na imagem. A imagem em si não é redesenhada nem alterada, e é por isso que o resultado fica exatamente igual ao original.
Alguns detalhes que vale saber:
- Páginas que já contêm texto são puladas, então um documento que mistura páginas digitadas e digitalizadas mantém o texto original intacto.
- É aplicada uma otimização leve e sem perdas, então o tamanho do arquivo normalmente fica perto do original.
- A saída é salva como PDF/A, a variante de arquivamento do PDF, pensada para ser exibida do mesmo jeito daqui a décadas. Qualquer leitor de PDF comum a abre.
- Um idioma é usado por execução. Para um documento quase todo num idioma, com alguns nomes estrangeiros, escolha o idioma principal.
Obtendo um texto preciso
A qualidade do reconhecimento se decide principalmente antes de o arquivo chegar ao servidor.
Resolução
Mire em 300 dpi ao digitalizar documentos impressos. Nessa resolução, um texto normal de 10 a 12 pontos é reconhecido com facilidade. 200 dpi funcionam para impressões limpas e com letras maiores. Com 150 dpi ou menos, letras pequenas se fundem e erros como ler "rn" como "m" ficam frequentes. Digitalizar acima de 400 dpi raramente melhora os resultados e deixa o arquivo bem maior.
Orientação e alinhamento
Esta ferramenta não gira nem endireita páginas. Uma página digitalizada de lado ou de cabeça para baixo gera um texto ruim ou vazio. Corrija a orientação antes com o Girar PDF. Uma leve inclinação de um ou dois graus é tolerada, mas uma foto de celular tirada de lado, com a página se curvando perto da lombada de um livro, perde precisão rapidamente.
Contraste e poluição visual
Texto preto sobre papel branco é o ideal. Recibos térmicos desbotados, lápis, papel colorido, carimbos pesados sobre o texto e padrões de fundo reduzem a precisão. Escrita à mão não é reconhecida de forma útil.
Documentos longos e limites de tempo
O reconhecimento leva alguns segundos por página, então uma digitalização de 50 páginas normalmente termina em poucos minutos. Os processamentos têm um limite de tempo de 15 minutos sem conta e de 60 minutos no Premium. Um livro de várias centenas de páginas pode não caber na janela gratuita; divida-o em partes com o Dividir PDF e processe uma de cada vez. A cota diária é de uma execução gratuita para arquivos de até 500 MB, ou execuções ilimitadas de até 4 GB no Premium.
PDFs protegidos por senha são recusados, porque as páginas não podem ser lidas sem a senha. Remova-a antes, se você a tiver. O arquivo enviado é apagado quando o processamento termina, e o resultado expira cerca de uma hora depois da criação do processamento.
Conferindo o resultado
Abra o PDF pesquisável e procure algumas palavras de páginas diferentes, incluindo um ou dois números. Os erros de OCR se concentram em lugares previsíveis:
- Caracteres parecidos: 0 e O, 1, l e I, 5 e S, principalmente em códigos e números de conta.
- Tabelas, que saem como linhas de texto em vez de células.
- Letras miúdas em rodapés e carimbos.
Em contratos ou notas fiscais em que um valor importa, sempre leia o número na imagem, não no texto copiado. Se você quer o texto em si, e não um PDF pesquisável, abra o resultado no PDF para texto, que extrai a camada reconhecida.