Comparar PDFs mostra tudo diferente: escaneado contra digital

Um PDF escaneado não tem texto: é uma foto de página. Quando uma versão do contrato é digital e a outra é escaneada, a comparação precisa ler o escaneado antes de comparar, e essa leitura erra. O resultado é uma lista de diferenças que não existem no documento. O caminho é comparar versões digitais sempre que possível e, quando não for possível, separar o ruído do OCR da mudança real.

Por que um escaneado parece diferente de tudo

A comparação funciona palavra por palavra. Antes de comparar, o texto de cada página é normalizado: maiúsculas viram minúsculas, acentos saem e as aspas são padronizadas. Por isso “Ação” e “acao” são tratadas como a mesma palavra. Mas o OCR não erra só acentos. Ele pode ler “1.500” como “l.500”, “R$” como “RS” ou trocar uma letra por outra parecida. Cada uma dessas trocas aparece como palavra removida e palavra acrescentada.

Por isso, o sintoma típico é um relatório longo, com a mesma frase marcada em vermelho e verde, e com a sensação de que o documento inteiro mudou. Olhe a página lado a lado antes de concluir qualquer coisa. Se as frases são iguais e só algumas letras diferem, a causa está na leitura, não no conteúdo.

Como o AjustaPDF lê os dois arquivos

Antes de comparar, a ferramenta roda OCR nos dois arquivos em português e inglês. Só as páginas sem texto são lidas; as que já têm texto selecionável são deixadas como estão. Isso significa que duas versões digitais passam direto, e que um escaneado é lido antes da comparação. A tabela mostra o que esperar em cada combinação. O guia sobre comparar PDFs escaneados mostra como melhorar o scan antes de comparar.

Passos para uma comparação útil

1. Verifique se cada arquivo deixa selecionar o texto. Se não deixa, ele é uma imagem e o OCR vai entrar na conta.
2. Procure a versão digital de cada arquivo antes de comparar. Um contrato costuma existir em Word na origem, e a conversão para PDF resolve a maior parte do ruído; quando os dois Word existem, vale ver também comparar PDF ou controle de alterações do Word.
3. Se não houver versão digital, rode primeiro o OCR nos dois arquivos e abra o resultado. Assim você vê o texto que será comparado e corrige o que foi lido errado.
4. Compare e leia o resumo primeiro. Ele lista as mudanças com a página de cada uma.
5. Abra as páginas lado a lado nas mudanças que envolvem números, datas, nomes e valores. São elas que importam de verdade.
6. Para as demais, confira apenas os trechos que você sabe que foram alterados. Ruído de OCR é fácil de reconhecer quando a frase toda é a mesma.

Outras causas de diferença demais

Nem todo relatório inflado vem de OCR. A comparação é palavra por palavra e a pontuação colada conta: “prazo.” e “prazo” são palavras diferentes. Um cabeçalho, um rodapé ou um número de página que muda em cada versão também aparece como mudança, assim como uma palavra hifenizada no fim da linha em uma versão e inteira na outra. Renumerar as cláusulas gera uma mudança para cada número. Quando as versões são tão diferentes que a conta passa de um limite, a ferramenta recusa a comparação com a mensagem de que os documentos são diferentes demais para uma comparação palavra por palavra.

Quando a diferença é de verdade

Uma mudança real aparece como um conjunto coerente: a frase inteira muda de sentido, um valor é trocado, uma cláusula some. O motor une as trocas que estão juntas, então um valor como “R$ 1.200” que vira “R$ 1.500” aparece como uma única mudança, e não como duas palavras isoladas. Use esse critério: se a mudança faz sentido como texto escrito, é provável que seja real; se é uma letra trocada por outra parecida, é provável que seja OCR.

Uma versão nova com o mesmo texto e uma imagem diferente não é uma mudança para o comparador. Ele compara palavras, e a imagem não entra na conta.

O que a comparação não vê

A comparação não lê imagens, cores, assinaturas desenhadas e a posição dos elementos. Uma assinatura que foi colada numa versão e não na outra não aparece. Uma tabela que mudou de lugar sem mudar o texto também não. Se o documento é um contrato com anexos visuais, compare as partes visuais separadamente.

Documentos muito grandes também têm limite. Quando a comparação recusa o arquivo, a mensagem pede para dividir os PDFs e comparar cada parte. Divida pelos capítulos ou pelas seções, para que as partes continuem fazendo sentido sozinhas.

Onde o AjustaPDF entra

A comparação roda no servidor: você envia o original e a nova versão, nessa ordem, e recebe um relatório com a lista das mudanças e as páginas lado a lado, com o que saiu em vermelho e o que entrou em verde. Use a ferramenta de comparar PDF para revisar versões de contratos e documentos; o guia comparar versões de contrato mostra o fluxo, e o de como a comparação funciona por dentro explica o que entra na conta. Quando o problema está só na leitura de um escaneado, o guia sobre PDF vetorial ou de imagem ajuda a descobrir qual dos dois você tem.