Como deixo um PDF digitalizado pesquisável?

Por que não consigo pesquisar nem copiar texto num PDF digitalizado?

Porque uma digitalização é uma imagem da página, não texto de verdade. Seu leitor de PDF vê pixels em forma de letras, não as letras em si.

• É uma foto, não texto: o programa de digitalização salva cada página como imagem, parecido com uma foto do celular.
• Ctrl+F não acha nada: não existe texto atrás da imagem para o leitor de PDF pesquisar.
• Copiar e colar não funciona: tente selecionar uma frase e você pega a página inteira como imagem, ou nada.
• Leitores de tela ficam calados: sem texto para ler, quem usa leitor de tela não ouve nada.

Como o OCR deixa uma digitalização pesquisável?

O OCR olha o formato de cada letra da página, descobre a qual caractere ela corresponde e coloca um texto invisível sobre a imagem, no mesmo lugar.

• A imagem não muda: o OCR adiciona uma camada de texto oculta embaixo do que você já vê, ele não redesenha a página.
• Ele confere o documento inteiro: uma digitalização de 20 páginas são 20 páginas de formas comparadas com padrões de letras.
• O idioma importa: escolha o idioma certo antes de rodar o OCR PDF, porque ele lê com base naquele alfabeto.
• Digitalizações limpas são mais rápidas: uma página nítida e bem iluminada leva alguns segundos. Uma borrada ou torta leva mais tempo e erra mais.

O OCR é preciso mesmo?

Com texto digitado e limpo, ele é muito bom hoje, muitas vezes com 98 a 99% de acerto. Com digitalizações ruins ou letra de mão, é bem menos confiável.

• Texto digitado: uma digitalização nítida de uma página impressa normalmente sai quase palavra por palavra.
• Letra de mão caprichada: letra de forma fica entre 80 e 95% de acerto, dependendo de quem escreveu.
• Cursiva: a letra emendada é o caso mais difícil para a maioria das ferramentas de OCR, às vezes caindo para menos de 60% de acerto.
• Confusões comuns: caracteres parecidos atrapalham, como a letra O e o número 0, ou “rn” lido como “m”.
• Digitalização ruim piora tudo: pouca luz, página torta ou foto de baixa resolução deixam o OCR com menos material para trabalhar.

Quais são os passos para deixar um PDF digitalizado pesquisável?

Envie o arquivo, rode o OCR e teste o resultado antes de confiar nele.

• Abra o OCR PDF e adicione seu arquivo digitalizado.
• Escolha o idioma em que o documento foi escrito, para a ferramenta ler direito.
• Rode e baixe o resultado. Ele parece igual a antes, mas agora tem uma camada de texto por baixo.
• Teste: abra o arquivo novo e procure uma palavra que você vê na página.
• Confira com a digitalização original tudo o que for importante, como uma cláusula de contrato ou um número de documento.

Posso transformar um PDF digitalizado num documento do Word editável?

Sim. Depois que uma digitalização tem uma camada de texto, dá para tirar as palavras e editar direto.

• Rode o OCR antes: o PDF para Word recupera o texto que já está no arquivo, então uma digitalização precisa de uma camada de texto do OCR PDF antes da conversão.
• Espere alguns ajustes: quebras de linha, números de página e tabelas raramente ficam perfeitos, então revise antes de enviar.
• Só quer as palavras, sem formatação: o PDF para TXT entrega texto puro, sem mais nada.

Experimente as ferramentas

Teste com o seu próprio arquivo. As ferramentas são gratuitas e você não precisa de conta.