Do scan ao texto editável: como o OCR funciona e como obter bons resultados
O OCR transforma uma foto ou um scan de uma página em texto que você pode copiar e editar. Como funciona, por que às vezes falha e o que você pode fazer para obter texto limpo de primeira.
O que o OCR faz
Um scan ou uma foto de uma página é só uma imagem: para o computador, pontos pretos e brancos. O reconhecimento óptico de caracteres (OCR) localiza as linhas de texto nessa imagem, separa-as em palavras e caracteres e pergunta a um modelo treinado qual letra cada forma mais provavelmente é. O resultado é texto simples que você pode pesquisar, copiar e editar.
Nem todo PDF precisa de OCR. Um PDF exportado de um processador de texto ou de um navegador já contém o texto real, e uma boa ferramenta o lê diretamente — mais rápido e sem erros. Nossa ferramenta PDF para Word faz exatamente isso, e só recorre ao OCR nas páginas que se revelam scans.
Por que o OCR erra
- Baixa resolução — letras com só alguns pixels de altura não podem ser distinguidas.
- Desfoque e movimento — uma foto tremida de celular borra as bordas de que o modelo depende.
- Inclinação e perspectiva — uma página fotografada em ângulo tem linhas que não são retas.
- Sombras e pouco contraste — texto cinza em papel cinza, ou uma sombra atravessando a página.
- Fontes incomuns e letra manuscrita — quanto mais longe da impressão comum, mais adivinhação.
- Colunas e tabelas — o texto pode ser lido corretamente, mas na ordem errada.
Como obter um bom scan
- Digitalize a 300 dpi; para letras muito pequenas, 400. Mais do que isso raramente ajuda.
- Com o celular: segure-o paralelo à página, use luz uniforme sem sombras e use o modo documento da câmera ou um aplicativo de scanner.
- Recorte a imagem na borda da página e endireite-a antes de ler.
- Preto e branco ou tons de cinza bastam; a cor acrescenta tamanho, não precisão.
Um scan limpo a 300 dpi de uma carta impressa comum costuma ser lido quase perfeitamente. Uma foto apressada de um recibo amassado em um cômodo escuro não é, seja qual for o software.
Escolher a ferramenta certa
- Uma foto ou captura de tela de texto — Imagem para texto (OCR) lê a imagem e lhe dá o texto para copiar.
- Um PDF digitalizado que deve virar um documento editável — PDF para Word lê as páginas digitais diretamente e as digitalizadas com OCR.
- Tabelas em um PDF — PDF para Excel coloca os dados em linhas e colunas com as quais você pode calcular.
- Várias fotos de páginas que devem virar um único documento — reúna-as primeiro em um arquivo com Imagem para PDF.
Nosso OCR integrado lê dez idiomas: inglês, holandês, alemão, francês, espanhol, italiano, polonês, português, turco e árabe. Você escolhe o idioma do texto; com o árabe, confira os números. PDFs digitais mantêm o idioma em que estiverem, porque o seu texto real é usado diretamente.
Tabelas, formulários e letra manuscrita
Texto corrido é o caso fácil. Três tipos de página exigem cuidado extra:
- Tabelas — o OCR lê as palavras, mas nem sempre a grade. As colunas podem ser lidas na horizontal em vez de na vertical, e uma célula vazia pode fazer o resto da linha deslizar uma coluna para a esquerda. Confira a estrutura, não só a ortografia; para tabelas em um PDF, PDF para Excel mantém linhas e colunas onde consegue.
- Formulários — os rótulos impressos são bem lidos, mas as entradas manuscritas nas caixas são difíceis, e caixas de seleção não são texto. Conte com digitar você mesmo os valores preenchidos.
- Letra manuscrita — o OCR genérico é feito para texto impresso. Letras de forma caprichadas podem funcionar; letra cursiva, em geral, não. Reconhecer letra manuscrita é um problema separado e muito mais difícil.
Um exemplo prático: uma pilha de recibos
Digamos que você queira os valores de vinte recibos de papel em uma planilha. Fotografe cada um esticado sobre uma mesa escura, com boa luz, bem de cima e preenchendo o enquadramento. Leia-os com Imagem para texto (OCR) um a um e copie os totais; recibos térmicos desbotam, então faça isso antes que a impressão desapareça. Para arquivar, junte as fotos em um único PDF com Imagem para PDF — as próprias imagens continuam sendo a prova; o texto extraído é a conveniência.
Revise sempre
O OCR nunca é perfeito, então confira o resultado — principalmente os números. Confusões típicas são 0 e O, 1 e l e I, "rn" e "m", "cl" e "d". Em valores, faturas e medidas, um dígito errado importa mais do que dez letras erradas; compare os totais com o original. Um corretor ortográfico pega muitos dos erros de letras de uma só vez.
Por que importa onde o OCR roda
Os documentos que as pessoas digitalizam costumam ser os mais privados: contratos, holerites, cartas médicas, documentos de identidade. No Convertburda, o OCR roda no seu próprio navegador. Na primeira vez, o navegador baixa o mecanismo de leitura (alguns megabytes) e o guarda; depois disso, os seus scans nunca saem do seu dispositivo. Mais sobre isso no nosso guia Converter arquivos com privacidade.