Ctrl+F não acha nada no PDF: como adicionar texto pesquisável

Se o Ctrl+F não encontra nada, a página do PDF é uma imagem da folha, sem letras reconhecidas. O OCR, reconhecimento óptico de caracteres, lê essa imagem, identifica o texto e grava uma camada de texto invisível sobre ela. Depois disso, a busca, a seleção e a cópia passam a funcionar, e a aparência da página não muda.

Como confirmar que o PDF é só imagem

Antes de qualquer conversão, faça um teste de dois minutos. Abra o PDF num leitor, use Ctrl+F e procure uma palavra que aparece em todas as páginas. Depois, tente selecionar uma linha com o mouse. Se a busca não encontra nada e a seleção não destaca letras, a página é imagem. Se a seleção destaca uma área retangular sem letras, também é imagem. No celular, o mesmo teste está em pesquisar uma palavra no PDF no celular.

Repita o teste em algumas páginas, não só na primeira. Um documento pode ter páginas com texto e outras escaneadas, por exemplo um contrato com anexos fotografados no meio. Nesse caso, o OCR só mexe nas páginas que não têm texto.

O que o OCR faz com o arquivo

A ferramenta de OCR em PDF pede o idioma do documento e lê cada página sem texto a 300 DPI, a resolução para a qual o motor de reconhecimento foi ajustado. O texto reconhecido vai para uma camada invisível, alinhada às letras da imagem. A imagem original continua no arquivo, sem recompressão, então o PDF cresce pouco: o texto de uma página pesa alguns kilobytes.

Esse detalhe importa para quem quer reduzir o arquivo. Se o PDF está pesado por causa das imagens, o OCR não reduz nada. Comprimir é uma operação à parte. Se precisa das duas, faça o OCR primeiro, antes de a compressão reduzir a imagem, e comprima depois: o texto reconhecido continua no arquivo (foi o que aconteceu em um teste com uma página A4 de exemplo), mas vale repetir a busca no resultado final.

Limite de páginas por operação

O OCR lê até 60 páginas escaneadas por vez. Um documento com 80 páginas escaneadas precisa de duas operações: a primeira com as páginas de 1 a 60, a segunda com as restantes. Uma operação de 60 páginas leva de um a dois minutos, e o tempo depende de quanto texto há em cada uma. Para dividir antes de ler, use a ferramenta de dividir PDF por intervalo, e junte o resultado depois.

Essa divisão é a forma correta, e não uma gambiarra: cada parte recebe o OCR e a junção depois mantém o texto reconhecido de todas elas, porque o texto está dentro das páginas, não num arquivo à parte.

Como o resultado é lido

Depois do OCR, faça uma busca por uma palavra que você sabe que está no documento, de preferência uma com acento. Se ela aparece no lugar certo, o reconhecimento funcionou. Se aparece com letras trocadas, como um “rn” no lugar de “m”, o scan está abaixo da qualidade ideal, e a busca vai falhar em boa parte das palavras. Para achar um nome em um Diário Oficial escaneado, veja Diário Oficial em PDF: achar seu nome.

Para documentos importantes, a busca por radical ajuda: procure só o começo da palavra, por exemplo “contrat”, em vez da palavra inteira. Assim você encontra as variações mesmo com um erro de reconhecimento no meio.

O OCR torna o texto pesquisável, mas não garante que ele esteja perfeito. Um número de conta ou um valor em contrato não deve ser copiado do texto reconhecido sem conferência com a imagem.

O que melhora o reconhecimento antes do OCR

A qualidade do resultado depende do scan. Papel liso, letra impressa e uma resolução de 200 DPI ou mais costumam dar um texto quase sem erros. Manuscrito, carimbo sobre o texto, sombra na margem e foto torta erram mais. Se o documento foi fotografado com o celular, passe por uma ferramenta de escanear documento antes, que endireita a página e melhora o contraste.

Uma regra útil: se o texto da página é legível a olho nu, o OCR costuma acertar. Se você precisa forçar a vista para ler, o reconhecimento vai errar no mesmo ponto.

Quando o OCR não resolve

Há casos em que o OCR não é o caminho. Um PDF com marca d’água grande ou com fundo colorido pode ser lido com erros, e um documento com letra de mão precisa de transcrição humana. Se você quer editar o texto, a conversão para Word é mais útil do que a busca: as páginas escaneadas passam pelo OCR automaticamente, e você recebe um documento editável. O guia sobre copiar texto de PDF escaneado compara essas saídas.

Onde o AjustaPDF entra

O AjustaPDF faz o OCR no servidor, com o Tesseract, e entrega o PDF com o texto pesquisável e a imagem original intacta. Ele não lê manuscrito com confiança, não corrige o que o scan não mostra e não faz OCR de mais de 60 páginas numa operação. Para entender como o reconhecimento funciona, veja o guia como funciona o OCR; para saber se o seu arquivo é imagem ou texto antes de começar, veja o guia sobre PDF vetorial ou de imagem.