OCR em PDF: como funciona e por que erra letra pequena
O passo a passo do OCR por dentro: a camada de texto invisível sobre a imagem, por que letras pequenas e manchas causam erro e como conferir o resultado.
OCR, o reconhecimento óptico de caracteres, transforma a imagem de uma página num texto que o computador entende. Ele primeiro separa a página em linhas e palavras, depois identifica cada caractere e grava o resultado como texto invisível sobre a imagem original. O PDF passa a ter duas camadas, a imagem que você vê e o texto que você busca.
O que o OCR faz, passo a passo
A primeira etapa é preparar a imagem. O programa converte a página para tons de cinza ou preto e branco, corrige a inclinação quando o papel entrou torto e remove manchas pequenas. Essa limpeza importa, porque cada decisão seguinte depende de distinguir a tinta do fundo. Para o teste de saber se o seu arquivo já tem essa camada, veja PDF pesquisável ou PDF comum.
Depois vem a segmentação. O OCR desenha caixas em volta de blocos de texto, linhas e palavras, e decide a ordem de leitura. Um jornal com duas colunas ou uma tabela exige mais cuidado aqui do que uma página de romance, porque a ordem errada mistura frases de colunas diferentes.
Na terceira etapa, cada caractere é reconhecido. O motor compara a forma de cada letra com modelos treinados e, em seguida, usa um dicionário do idioma para escolher a palavra mais provável. Esse segundo passo corrige erros do primeiro, mas também pode inventar palavras quando o original tem um erro que parece uma palavra válida.
O texto invisível, que é o que muda no PDF
No PDF, o texto reconhecido entra com um modo de desenho que o torna invisível. Em termos técnicos, é o modo de renderização 3, que não pinta nada na tela, mas deixa o texto disponível para busca, seleção e cópia. Cada palavra é posicionada na caixa exata onde ela aparece na imagem, para que a seleção caia sobre as letras certas.
Por isso o arquivo cresce pouco com o OCR. A imagem continua a mesma, sem recompressão. O texto de uma página ocupa poucos kilobytes. O custo maior é o tempo de processamento, porque cada página precisa ser lida pelo motor.
Por que o OCR erra e onde erra mais
O erro vem da imagem, quase sempre, e não do algoritmo em si. Um caractere com poucos pixels de altura perde os detalhes que diferenciam as letras parecidas. Uma letra de 8 pt escaneada a 150 DPI tem cerca de 17 pixels do corpo; a 300 DPI, o dobro. A diferença entre o C e o G, entre o rn e o m, ou entre o 1, o l e o I passa a depender de poucos pixels.
| Problema na imagem | Erro típico | O que ajuda |
|---|---|---|
| Resolução baixa, abaixo de 200 DPI | Letras pequenas trocadas ou sumidas | Escanear de novo em 300 DPI |
| Página torta ou curvada pela lombada | Linhas misturadas ou palavras quebradas | Endireitar a foto ou o scan antes |
| Fundo cinza, papel amarelado ou manchas | Pontos lidos como letras ou letras apagadas | Escanear em preto e branco, com fundo limpo |
| Carimbo sobre o texto | Palavras cortadas ou incompletas | Revisar a página e corrigir o trecho à mão |
| Manuscrito | Maior parte do texto errada | Transcrever ou usar uma ferramenta feita para escrita à mão |
A regra prática é que o OCR lê bem o que um humano leria sem esforço. Se você precisa estranhar o texto para entender, o reconhecimento também vai errar.
Como verificar se o OCR funcionou
Abra o PDF, escolha uma palavra do meio da página e busque com Ctrl+F. Se a palavra aparecer, a camada existe. Depois, tente selecionar um parágrafo inteiro e colar num editor de texto. Compare os números, as datas e os nomes próprios com a página, porque são justamente os trechos que mais costumam errar. Se o objetivo do OCR é ouvir o texto, veja ler PDF em voz alta no computador.
Se a busca encontra a palavra mas a cópia sai com letras trocadas, o problema é a imagem de origem. Refazer o scan, em resolução maior, costuma resolver mais do que repetir o OCR com outra configuração.
O que o OCR não faz
O OCR não entende o conteúdo. Ele não sabe se um valor é de R$ 1.000 ou de R$ 100, e não corrige um erro de digitação que já estava no papel. Também não transforma o layout em texto editável: a posição do texto é a da imagem, então editar o documento depois ainda exige o original.
Assinatura manuscrita, rubrica e carimbo continuam como imagem. Eles aparecem na página e saem na impressão, mas não viram texto. Para documentos com várias páginas, cada uma passa pelo reconhecimento separadamente, e o resultado depende da qualidade de cada uma.
Onde o AjustaPDF entra nesse processo
O OCR de PDF do AjustaPDF usa o Tesseract a 300 DPI, no idioma escolhido, e deixa intactas as páginas que já têm texto. Cada operação lê até 60 páginas escaneadas; para um documento maior, divida antes e processe em partes. Se o arquivo ainda não é um scan limpo, comece pelo escanear documento, que endireita a página de foto antes do reconhecimento.
Para escolher a resolução do próprio scan, que é o fator que mais pesa no resultado, leia o guia sobre qual DPI usar para escanear um documento. Se o objetivo é copiar trechos, o guia copiar texto de PDF escaneado mostra o passo a passo.
Se o OCR errou palavras, veja OCR errou palavras; se a busca não acha o texto, Ctrl+F não acha texto no PDF; e para conhecer o motor, o que é o Tesseract.
Perguntas frequentes
O OCR muda a imagem da página do meu scan?
Não. O OCR lê a imagem e grava uma camada de texto invisível exatamente sobre as letras que já estão ali. O visual da página fica igual; o que muda é que o arquivo passa a ter texto por baixo, que dá para buscar, selecionar e copiar.
Por que o OCR erra o número 8 e confunde o rn com m?
Porque o reconhecimento compara a forma de cada caractere com modelos e escolhe o mais parecido. Quando a letra é pequena, borrada ou tem pouca resolução, duas formas ficam próximas, e o erro vira um caractere trocado. Escanear em 300 DPI, com o texto reto e o papel limpo, reduz muito esses casos.
Um PDF que já tem texto precisa de OCR de novo?
Em geral, não. Se você consegue selecionar e buscar uma palavra, a página já tem camada de texto. Aplicar OCR de novo nela não traz benefício e pode duplicar o texto invisível. Só as páginas que são imagem pura precisam do reconhecimento.
Por que o OCR não reconhece bem a assinatura e os carimbos?
Porque o OCR foi treinado para texto impresso e tenta ler traços como letras. Assinatura manuscrita, carimbo sobre o texto e rubrica costumam sair como lixo ou simplesmente não entram na camada. Esses elementos continuam visíveis na imagem, mas não aparecem como texto.