Como fazer OCR de PDF para Word em 3 passos
- Envie o PDF digitalizado no conversor acima (até 100 MB).
- Converta. O conversor procura primeiro uma camada de texto. Se o PDF não tiver nenhuma, ele renderiza as 10 primeiras páginas a 300 DPI e as lê com o OCR Tesseract.
- Baixe o DOCX. O resultado do OCR são parágrafos simples: o texto é editável, mas o layout original, as tabelas e as imagens não são reconstruídos.
O conversor desta página lê inglês. A página do conversor de PDF para Word (cleverutils.com/pdf-to-docx) tem um menu com 14 idiomas de OCR: inglês, francês, alemão, espanhol, italiano, português, russo, ucraniano, polonês, holandês, turco, árabe, japonês e coreano.
O que e OCR?
O Reconhecimento Optico de Caracteres (OCR) e uma tecnologia que converte imagens de texto em texto editavel e legivel por maquina. Quando voce digitaliza um documento em papel, o scanner cria uma fotografia de cada pagina. O software OCR analisa essa fotografia, identifica os caracteres individuais e gera o texto correspondente.
O processo de OCR costuma envolver varias etapas:
- Pre-processamento da imagem: endireitar paginas inclinadas, remover ruido, ajustar contraste e binarizar a imagem (converter para preto e branco)
- Deteccao de texto: identificar as regioes da imagem que contem texto em contraposicao a imagens, bordas ou espacos em branco
- Reconhecimento de caracteres: analisar o formato de cada caractere e compara-lo com padroes de letras conhecidos
- Pos-processamento: aplicar correspondencia com dicionario e regras do idioma para corrigir erros comuns de reconhecimento
PDFs digitalizados vs PDFs nativos
Entender a diferenca entre PDFs digitalizados e nativos e essencial para escolher a abordagem correta de conversao:
| Caracteristica | PDF nativo (digital) | PDF digitalizado |
|---|---|---|
| Criado por | Exportação do Word, impressão do navegador etc. | Scanner, câmera, aparelho de fax |
| Conteúdo | Dados de texto estruturados | Imagens das páginas |
| Texto selecionável? | Sim | Não |
| Pesquisável? | Sim | Não (sem OCR) |
| OCR necessário? | Não — texto extraído diretamente | Sim — indispensável para extrair texto |
| Precisão de conversão | Exata (o texto é copiado, não reconhecido) | Depende da qualidade da digitalização |
Teste rápido: abra o PDF e tente selecionar o texto com o mouse. Se for possível destacar palavras individuais, é um PDF nativo. Se ao clicar for selecionada a página inteira como uma única imagem, é um PDF digitalizado que precisa de OCR. Arquivos nativos dispensam o OCR; nesse caso, leia como converter um PDF nativo para Word sem perder a formatação.
Fatores que afetam a precisao do OCR
A precisao do OCR varia muito conforme a qualidade de entrada. Estes sao os principais fatores:
Resolucao de digitalizacao (DPI)
A resolucao e o fator individual mais importante. Mais DPI significa mais informacao em pixels para o mecanismo de OCR trabalhar:
- 150 DPI: mínimo para OCR. Funciona com fontes grandes e nítidas; texto pequeno gera muitos erros.
- 300 DPI: padrão recomendado. Bom equilíbrio entre tamanho de arquivo e precisão em texto limpo. Nosso OCR renderiza as páginas a 300 DPI.
- 600 DPI: ideal para texto muito pequeno e documentos densos. Arquivos maiores, processamento mais lento.
Qualidade da imagem
Alem da resolucao, varios fatores de qualidade de imagem afetam os resultados do OCR:
- Contraste: alto contraste entre texto e fundo produz os melhores resultados. Texto desbotado em papel envelhecido e mais dificil de reconhecer.
- Alinhamento: paginas retas e bem alinhadas geram resultados melhores que digitalizacoes tortas ou giradas. A maioria dos mecanismos de OCR inclui correcao de inclinacao, mas comecar reto e preferivel.
- Ruido: pontos, manchas, marcas de cafe e artefatos do scanner reduzem a precisao. Originais limpos digitalizam melhor.
- Sombras: lombadas de livros criam sombras na margem interna. Digitalizar em mesa plana ou usar uma camera de documentos reduz o problema.
Caracteristicas da fonte e do texto
Nem todo texto e igual para o OCR:
- Fontes padrao (Times New Roman, Arial, Helvetica) — precisao maxima
- Fontes decorativas (cursivas, ornamentais) — precisao menor
- Texto pequeno (menos de 8 pt) — precisa de DPI maior para compensar
- Texto em negrito — geralmente bom; pesos muito pesados podem fundir caracteres
- Texto colorido em fundo colorido — o contraste reduzido diminui a precisao
Melhorando os resultados do OCR
Se seus resultados iniciais de OCR forem insatisfatorios, tente estas etapas de pre-processamento antes da conversao:
- Redigitalizar com DPI maior: se tiver acesso ao documento original, redigitalize a 300 ou 600 DPI.
- Endireitar paginas inclinadas: use o recurso de deskew automatico do seu scanner ou endireite as imagens antes do OCR.
- Aumentar o contraste: se o original estiver desbotado, ajuste o brilho e o contraste do scanner para escurecer o texto e clarear o fundo.
- Remover ruido: use filtros de despeckle para limpar artefatos do scanner e textura do papel.
- Cortar margens: remover margens brancas grandes, furos de encadernacao e artefatos de borda ajuda o mecanismo OCR a focar no conteudo real.
Boa pratica: digitalize documentos em cor a 300 DPI ou mais, mesmo que o original seja preto e branco. Digitalizacoes coloridas preservam mais informacao para a etapa de pre-processamento, ainda que o OCR trabalhe, no fim, sobre a imagem binarizada.
OCR multi-idioma
Os mecanismos modernos de OCR oferecem suporte a dezenas de idiomas, incluindo aqueles com alfabetos nao latinos (chines, japones, coreano, arabe, cirilico, devanagari). Consideracoes-chave para documentos multilingues:
- Seleção de idioma: indicar o idioma correto melhora a precisão, pois o mecanismo de OCR usa dicionários e conjuntos de caracteres específicos do idioma.
- Documentos com idiomas mistos: documentos com vários idiomas (comuns em artigos acadêmicos) podem exigir múltiplas passagens de OCR ou uma configuração multi-idioma.
- Escritas da direita para a esquerda: árabe e hebraico exigem mecanismos de OCR com suporte adequado a texto bidirecional.
- Caracteres CJK: chinês, japonês e coreano têm milhares de caracteres com diferenças sutis, exigindo modelos de reconhecimento especializados.
Limitacoes do reconhecimento de escrita a mao
Embora a tecnologia de OCR tenha avancado muito, o reconhecimento de escrita a mao continua sendo um desafio:
- Letra de forma: letras de imprensa bem desenhadas e separadas são reconhecidas em parte, com erros frequentes.
- Escrita cursiva: letras ligadas são extremamente difíceis para os mecanismos de OCR comuns e geralmente resultam em texto ilegível.
- Variação individual: ao contrário do texto impresso por máquina, a letra de cada pessoa é única, o que torna a correspondência por padrões pouco confiável.
- Conteúdo misto: documentos com texto impresso e anotações manuscritas são mais bem processados em duas etapas — OCR no texto impresso e depois transcrição manual da letra.
Outras formas gratuitas de fazer OCR em PDF
- Google Docs: envie o PDF para o Google Drive, clique nele com o botão direito e escolha Abrir com → Documentos Google. O Drive executa o OCR e abre o texto, que você pode baixar como .docx. Se você precisa apenas de texto simples em vez de um DOCX, veja como extrair texto de um PDF.
- Windows 11: as Ações de texto da Ferramenta de Captura copiam o texto de uma captura de tela da página, e o Microsoft PowerToys inclui o Text Extractor (Win+Shift+T). Para uma única página salva como JPG ou PNG, nossa ferramenta de OCR de imagem para texto lê o texto online.
- Mac: o Texto ao Vivo no Pré-Visualização permite selecionar e copiar texto em páginas digitalizadas e imagens (macOS Monterey e posterior).
- Tesseract: o mesmo mecanismo de código aberto que nosso conversor usa roda no seu computador:
tesseract page.png output -l eng.