Saltar para o conteúdo
Voltar a todas as ferramentas№ 055

OCR PDF

Reconhece texto em PDFs digitalizados para poder pesquisar e copiar.

0 B enviados para um servidor

Adiciona primeiro um ficheiro.

Um PDF digitalizado é uma fotografia de uma página. Parece um documento mas não contém texto, e é por isso que pesquisar não encontra nada e copiar não te dá nada. O OCR lê as formas na imagem, reconhece os caracteres e acrescenta uma camada de texto invisível por trás da imagem, para que a página continue com o mesmo aspeto enquanto se torna pesquisável e selecionável.

O reconhecimento corre inteiramente no navegador, usando o Tesseract compilado para WebAssembly. A primeira execução descarrega o modelo da língua que escolheres; depois disso fica em cache.

Como funciona

  1. Abre o PDF digitalizado ou a imagem.
  2. Escolhe a língua do texto — a precisão depende muito disso.
  3. Corre o reconhecimento e espera; uma página demora alguns segundos.
  4. Descarrega o PDF pesquisável com a sua camada de texto.

Para que serve

  • Tornar um arquivo de faturas digitalizadas pesquisável pelo nome do fornecedor.
  • Preparar uma digitalização para conversão para Word, que precisa de uma camada de texto verdadeira.
  • Citar um capítulo de livro digitalizado sem o voltar a escrever.

Perguntas frequentes

O meu ficheiro é enviado para um servidor?
Não. O ficheiro é aberto por JavaScript e WebAssembly a correr no separador do teu próprio navegador. Nunca é enviado, não há processamento em nenhum servidor e nada fica guardado: ao fechar o separador, tudo desaparece.
Porque é que o reconhecimento é lento?
Porque está mesmo a correr no teu dispositivo e não num centro de servidores. Conta com alguns segundos por página, mais num telemóvel. A contrapartida é que o documento nunca sai da máquina.
O texto reconhecido tem erros.
A precisão do OCR depende da qualidade da digitalização. Aponta para pelo menos 300 dpi, páginas direitas e bom contraste. Escolher a língua errada é a causa mais comum de maus resultados, seguida de fotografias de telemóvel tortas ou com sombras.
A página fica com outro aspeto depois?
Não. A imagem original é mantida e o texto reconhecido é colocado de forma invisível por trás dela, por isso o aspeto não muda.

Ferramentas relacionadas