OCR PDF

O que é OCR — e o que muda depois de executá-lo?

O Reconhecimento Óptico de Caracteres (OCR) transforma uma imagem de texto em caracteres de texto reais que um computador pode copiar, pesquisar e indexar. Um PDF "digitalizado" é, na verdade, apenas uma pilha de imagens de páginas coladas dentro de um invólucro PDF; as palavras que você vê são pixels, não letras. Depois do OCR, o documento passa a ter uma camada de texto invisível colocada sobre esses pixels (de modo que parece idêntico, mas o Ctrl+F funciona), ou você extraiu o texto para um arquivo .txt simples que pode colar em outro lugar. Ambos os modos são oferecidos acima.

Como o OCR funciona nesta página

Usamos o Tesseract.js — a versão em WebAssembly do motor de código aberto Tesseract da Google — rodando dentro da aba do seu navegador. Quando você clica em Executar OCR:

1. Cada página do seu PDF é rasterizada em um canvas a 300 DPI usando o PDF.js.
2. Os pixels do canvas são passados ao Tesseract.js, que devolve o texto reconhecido mais as caixas delimitadoras por linha.
3. Para o PDF pesquisável, copiamos suas páginas originais para um PDF novo e sobrepomos o texto reconhecido com opacidade 0 — invisível ao olho, mas selecionável e pesquisável.
4. Para Apenas texto, concatenamos o texto de cada página em um único arquivo .txt.

Nada nessa cadeia chama um servidor: PDF.js, Tesseract.js e pdf-lib rodam no lado do cliente. A única requisição de rede relacionada ao OCR é o download único do modelo de idioma treinado (cerca de 5 a 15 MB por idioma), que o seu navegador então mantém em cache para a próxima vez.

Expectativas honestas

• Texto impresso limpo a 300 DPI: normalmente de 95% a 98% de precisão por caractere. Bom o suficiente para pesquisar e copiar/colar com uma pequena revisão.
• Baixo DPI (abaixo de 200) ou páginas fotografadas: a precisão cai bruscamente — o Tesseract precisa de bordas de letra nítidas. Redigitalize em DPI maior se possível.
• Layouts em várias colunas e tabelas: o texto volta linha por linha através das colunas. Não o reorganizamos em uma ordem lógica de leitura. Para tabelas, considere o PDF para Excel.
• Escrita à mão: não é suportada de forma confiável. O Tesseract é treinado em tipos impressos; caracteres manuscritos costumam voltar embaralhados.
• Mistura intensa de alfabetos: se uma página é metade árabe e metade latina, escolha o que for dominante. O OCR multialfabeto é possível, mas mais lento e menos preciso.

Privacidade e segurança

O OCR é uma categoria em que o processamento no navegador é especialmente valioso. Documentos digitalizados costumam ser as coisas mais sensíveis que as pessoas têm — cópias de passaporte, declarações de imposto, contratos, prontuários médicos, contratos de aluguel — e enviá-los a um servidor de terceiros cria um rastro que você não pode apagar. Como cada byte da cadeia roda localmente, não há envio para registrar, nem arquivo temporário a ser intimado, nem janela de retenção em que confiar. O próprio motor de OCR é de código aberto e inspecionável.