PDF escaneado para Word: como o OCR entra na conversão
Como saber se o PDF é escaneado, o que o OCR faz página a página e como melhorar o scan antes de converter. Como conferir o Word depois e corrigir o que falhou.
Para converter um PDF escaneado em Word, o texto precisa ser reconhecido antes, por OCR, e a ferramenta faz esse passo sozinha quando escolhe o modo de texto editável. Páginas que já têm texto são convertidas direto; páginas que são só imagem passam pelo OCR em português e inglês. Se o scan estiver borrado, o Word sai com erros de leitura, e não há ajuste depois que corrija isso.
Texto digital, escaneado ou misto
Existem três tipos de PDF, e o resultado depende de qual deles você tem. O primeiro é o digital, gerado a partir de um Word, de um editor ou de um sistema: o texto existe no arquivo e pode ser selecionado. O segundo é o escaneado, feito com scanner ou com o celular: cada página é uma imagem, sem texto. O terceiro é o misto, com algumas páginas digitais e outras escaneadas, comum em processos que juntam documentos de origens diferentes.
| Tipo de PDF | O que a conversão faz | Onde conferir |
|---|---|---|
| Digital | Usa o texto que já existe no arquivo | Texto selecionável no leitor |
| Escaneado | Aplica OCR em português e inglês, e depois converte | Revisar cada página lida |
| Misto | OCR só nas páginas sem texto, o resto segue direto | Páginas escaneadas primeiro |
Como o OCR entra na conversão
OCR é o reconhecimento de caracteres: o programa examina a imagem, identifica as letras e grava o texto correspondente. O resultado é um texto de verdade, que você pode editar no Word. Como o reconhecimento é feito página a página, a ferramenta só o aplica onde ele é necessário, e não reprocessa o que já tinha texto.
O OCR não é uma tradução fiel da imagem. Ele tenta adivinhar cada letra, e a adivinhação erra mais em imagens borradas. O guia sobre como funciona o OCR mostra por que isso acontece, e o de OCR que errou palavras o que fazer. Quem prefere editar depois no LibreOffice encontra o caminho em OCR em PDF no LibreOffice. Letras parecidas, como o zero e a letra O, o número 1 e a letra l, e os acentos, são os erros mais comuns (na planilha, o mesmo erro aparece em PDF escaneado no Excel: 0 virou O). Num contrato, um número trocado pode mudar o sentido de uma cláusula, então a conferência humana é obrigatória.
Como melhorar o resultado antes de converter
- Refaça o scan se estiver borrado. A nitidez do original é o que mais pesa. Um scan feito com boa luz e papel reto dá um texto muito mais limpo que um fotografado de lado.
- Endireite a página. Texto torto aumenta os erros. Corrija a rotação antes de converter, com girar PDF, se a página saiu de cabeça para baixo ou de lado. Para fotos de celular, escanear documento endireita e clareia a página antes do PDF.
- Use a resolução certa. Para texto, a resolução de escaneamento costuma ser 300 DPI. O guia sobre qual DPI usar para escanear explica por que valores mais altos nem sempre ajudam.
- Converta e confira as páginas escaneadas. São elas que têm mais erros. Compare com o original palavra a palavra nos números e nos nomes próprios.
Como conferir uma página lida pelo OCR
Não é preciso comparar o documento inteiro. Escolha três números e três nomes próprios de cada página escaneada, procure-os no Word com Ctrl+F e confira se o resultado é o mesmo do original. Se os três números batem e os nomes estão escritos igual, a página provavelmente foi lida bem. Se um número falha, a página inteira merece uma releitura. Se a página nem responde ao Ctrl+F, o reconhecimento falhou ali, e refazer o scan só dessa página costuma sair mais barato do que corrigir palavra por palavra.
Acentos são um bom indicador. Um texto em que “ção” aparece como “çao” ou “cao” mostra que o reconhecimento foi aproximado naquela região. Nesse caso, a correção mais segura é reescanear a página, e não consertar cada acento à mão.
O que o OCR não faz
- Não entende o conteúdo. Ele reconhece letras, não interpreta o que o documento diz nem corrige um número errado por ter sentido estranho.
- Não garante assinatura. Um Word gerado do PDF não é o documento assinado. A assinatura digital fica no arquivo original.
Onde o AjustaPDF entra
A conversão de PDF para Word aplica OCR nas páginas sem texto antes de montar o documento. Se o problema é justamente copiar o texto de uma página escaneada e não o arquivo inteiro, o guia não consigo copiar texto do PDF mostra os caminhos mais curtos. Para o escaneamento em si, o escanear documento com celular tem o passo a passo que evita a maioria dos erros de leitura.
Perguntas frequentes
Como saber se o meu PDF é escaneado antes de converter para Word?
Abra o PDF num leitor e tente selecionar uma palavra ou usar Ctrl+F para procurar um termo que aparece na página. Se a seleção não destaca nada e a busca não encontra o termo, a página é uma imagem e precisa de OCR. Se a página tem texto selecionável, ela é um PDF digital.
Por que o Word saiu com o texto ilegível do meu scan?
Quase sempre por causa da qualidade da imagem: papel amassado, sombra, texto torto ou scan a baixa resolução fazem o OCR errar letras. Refazer o scan com boa iluminação, papel reto e resolução adequada costuma resolver mais do que qualquer ajuste depois da conversão.
O OCR reconhece texto em português?
Sim. As páginas sem texto passam pelo OCR em português e inglês antes da conversão. Documentos em outros idiomas podem ser lidos com mais erros, porque o reconhecimento está preparado para português e inglês.
Dá para converter um PDF misto, com páginas digitais e escaneadas?
Dá. O OCR é aplicado só nas páginas que não têm texto, e as páginas digitais são convertidas com o texto que já existe. Depois da conversão, confira as páginas escaneadas com mais atenção, porque são elas que podem ter erros de leitura.