Texto invisível do OCR no PDF: por que a seleção sai torta
Como o OCR cria uma camada de texto invisível sobre a imagem do scan, por que a seleção às vezes desalinha, o que acontece ao apagar a camada e como conferir o resultado.
O OCR não troca a imagem da página por texto. Ele mantém o scan como está e coloca por cima uma camada de texto invisível, com cada palavra reconhecida na posição da palavra na imagem. A página parece igual, mas o Ctrl+F encontra as palavras e a seleção funciona. Um PDF com essa camada é chamado de pesquisável.
O que a camada faz, peça por peça
O PDF guarda duas coisas na mesma página. A primeira é a imagem da digitalização (o PDF escaneado), que é o que você vê na tela e na impressão. A segunda é o texto reconhecido, desenhado no modo de texto invisível, que o PDF identifica como modo 3 de renderização. Esse modo não aparece, mas o leitor usa as posições para busca, seleção e leitura por programas.
O OCR do AjustaPDF usa o Tesseract a 300 DPI em cada página sem texto. Páginas que já têm texto ficam como estão. O guia como funciona o OCR explica o processo por trás da camada, e copiar texto de PDF escaneado mostra o resultado na prática. O texto de uma página pesa alguns kilobytes, por isso o arquivo cresce pouco com a camada, e a imagem do scan não é recomprimida.
Por que a seleção às vezes sai torta
A camada é posicionada a partir da imagem no momento do OCR. Se outro programa gira, recorta ou redimensiona a página depois, a imagem muda de lugar e a camada pode ficar no lugar antigo. Quando isso acontece, a seleção pega a letra vizinha ou a linha de cima, e a busca acha a palavra, mas o destaque aparece deslocado.
O outro motivo é a inclinação do scan. Uma página torta é reconhecida linha por linha com caixas um pouco fora do lugar, e a seleção de um parágrafo inteiro fica irregular. A correção é endireitar a página antes do OCR. Para uma foto tirada com o celular, a ferramenta de escanear documento endireita a página antes.
Como conferir o resultado
- Use a busca. Abra o PDF e procure, com Ctrl+F ou Cmd+F no Mac, uma palavra do meio de cada página. Se um sistema ou portal diz que não reconhece o conteúdo do PDF, o guia sobre conteúdo do PDF não reconhecido segue esse mesmo teste.
- Selecione um parágrafo. Copie o trecho e cole num editor. Se as palavras saem na ordem e sem trocas, a camada está correta.
- Confira três páginas. Escolha a primeira, uma do meio e a última. Um OCR pode funcionar bem no início e falhar depois, quando o scan muda de qualidade.
O que acontece se você apagar a camada
A camada faz parte da página, e a maioria dos leitores não tem uma opção que a remova separadamente. Por isso o caminho mais simples é recriar o PDF com cada página como imagem: converta o arquivo com PDF para imagem (PNG ou JPEG, em ZIP) e junte as páginas de volta com imagem para PDF. O texto some, a busca some e a seleção deixa de existir. Antes de fazer isso, guarde o original, porque a camada não volta depois.
Esse caso aparece quando alguém quer mandar o documento sem o texto que foi reconhecido, por exemplo para proteger uma parte do conteúdo. Para ocultar um trecho de verdade, o recurso certo é a tarja, que cobre e remove o conteúdo do trecho, e não a camada de texto. A ferramenta de tarjar PDF faz isso no arquivo.
Quando o OCR não basta
O Tesseract foi treinado para texto impresso. Manuscrito sai com muitos erros ou não sai (é o caso do caderno escaneado em PDF), e carimbo sobre o texto também atrapalha. Em cada operação, o OCR lê até 60 páginas escaneadas; um documento maior deve ser dividido em partes. Num fluxo automático, o OCR entra quando a extração de texto volta vazia, como em Power Automate para extrair texto de PDF. E o OCR só dá texto: ele não cria títulos, ordem de leitura nem descrição de imagens. Para um leitor de tela, esses pontos continuam sendo necessários, como explica o guia sobre o que o PDF precisa para um leitor de tela.
| Sintoma | Causa provável | O que fazer |
|---|---|---|
| Ctrl+F não acha nada | A página não tem camada | Refazer o OCR nessa página |
| Seleção fora da letra | Página girada ou recortada depois | Refazer o OCR no arquivo final |
| Palavras trocadas | Scan ruim ou manuscrito | Escanear de novo a 300 DPI |
| Só algumas páginas pesquisáveis | Página já tinha texto parcial | Conferir página a página |
Perguntas frequentes
Meu contrato escaneado tem OCR, mas o Ctrl+F não acha as palavras. Por quê?
Duas causas são comuns. A página pode não ter recebido a camada, ou ela já tinha algum texto e o OCR a deixou como estava, sem reconhecer o restante. Abra cada página, faça a busca e, se for preciso, refaça o OCR só nas páginas que falharam.
Dá para apagar só o texto do OCR e manter a imagem do scan?
Em leitores comuns não existe um botão que remova só a camada. O caminho é salvar cada página como imagem e montar um PDF novo. O texto some junto com a busca, e a imagem fica como estava. Guarde o PDF pesquisável antes de fazer isso.
O OCR deixa o PDF da minha digitalização muito maior?
Pouco. A camada guarda só o texto reconhecido, que pesa alguns kilobytes por página, e a imagem do scan não é recomprimida. Se o arquivo ficar pesado depois do OCR, o problema vem da imagem original, e a compressão é que resolve.
Por que o OCR troca letras de um scan com carimbo em cima do texto?
O carimbo cobre parte das letras, e o reconhecimento lê a forma que sobrou. Letras cobertas ou tremidas viram outras letras parecidas. Refaça o scan sem o carimbo sobre o texto, ou com a página plana e em 300 DPI, e rode o OCR de novo.