Tornar um PDF digitalizado pesquisável sem carregar a digitalização

Digitalize uma página e seu computador armazenará uma fotografia dela. As palavras parecem corretas na tela, mas para o software elas são apenas pixels – Ctrl+F não encontra nada, copiar e colar não fornece nada e nenhum índice em qualquer lugar sabe o que o documento diz. OCR (reconhecimento óptico de caracteres) corrige exatamente isso: olha as formas, reconhece letras e palavras e escreve uma camada de texto real abaixo da imagem.

Por que isso é importante na prática

• Encontrar qualquer coisa. Ctrl+F em um contrato digitalizado de 200 páginas começa a funcionar.
• Reutilizando as palavras. Citações, endereços, números de cláusulas — selecionáveis ​​e copiáveis ​​em vez de redigitados.
• Acessibilidade e indexação. Leitores de tela e mecanismos de busca podem “ler” repentinamente o documento.

O problema que ninguém menciona

A maioria das ferramentas de OCR on-line leem seu documento, enviando-o para seus servidores – o que é algo estranho de se fazer com uma digitalização de seu passaporte, um prontuário médico ou um contrato de cliente. Nosso Ferramenta de OCR segue o outro caminho: o reconhecimento é executado dentro do seu navegador (o mecanismo Tesseract padrão da indústria, compilado para WebAssembly), e o PDF pesquisável também é montado localmente. A verificação nunca sai do seu dispositivo.

Obtendo a melhor precisão

1. Endireite primeiro. Uma página inclinada em dois graus custa precisão em cada linha. Corre Desviar antes do OCR se a digitalização parecer torta.
2. Digitalize a 300 DPI. Detalhes suficientes para o motor; mais apenas retarda.
3. Combine o idioma. Escolha o idioma certo na ferramenta OCR – os dicionários de reconhecimento são diferentes e “inglês” em uma página em francês produz um disparate confiante.
4. Cuidado com as fontes. Os rostos das máquinas de escrever e a caligrafia são genuinamente difíceis; espere correções lá.

Depois do OCR

A saída é um PDF que parece idêntico, mas contém texto invisível e selecionável. A partir daí é um documento normal: pesquise, copie, alimente para o PDF para texto ferramenta para as palavras brutas ou convertê-lo para um formato editável com PDF para Word.

Uma lista de verificação de precisão

1. Endireite a página antes do reconhecimento; varreduras distorcidas são lidas melhor.
2. Use cerca de 300 DPI – mais pixels ajudam apenas até o ponto em que o ruído começa a doer.
3. Escolha o idioma da página, incluindo a escrita correta.
4. Depois procure três detalhes conhecidos: um total, uma data e um nome.
5. Verifique a saída impressa, não apenas o resultado da pesquisa.

Idiomas e caligrafia

O reconhecimento funciona melhor em texto impresso limpo em um idioma compatível. Páginas com idiomas mistos podem confundir o modelo de idioma; execute passagens separadas se as seções forem distintas. A escrita à mão é o caso difícil – as etiquetas impressas em torno de uma nota manuscrita podem ser reconhecidas enquanto a nota em si é perdida. Não trate um resultado de OCR como uma transcrição certificada de um registro manuscrito.

O que fazer com o texto depois

Uma vez que a digitalização possui uma camada de texto, ela pode ser pesquisada, copiada e indexada, podendo ser convertida para Word ou extraída como texto. Mantenha a digitalização original junto com a versão pesquisável se a imagem for o registro legal. A privacidade é a outra metade da decisão: o reconhecimento baseado no navegador mantém a digitalização no seu dispositivo, enquanto um serviço baseado em upload a envia para um servidor. Escolha o modelo que corresponda à sensibilidade do documento e não apenas ao preço.

Experimente: tornar uma digitalização pesquisável — localmente, de graça: a digitalização nunca sai do seu dispositivo e o PDF gerado é construído da mesma forma.