Como saber se a página do PDF é texto ou imagem: selecionar e Ctrl+F
Três testes na tela para descobrir se uma página do PDF tem texto ou é só imagem: seleção, busca e zoom. Tabela com o que cada resultado significa e o que fazer.
Para saber se uma página é texto ou imagem, faça três testes na própria tela: selecionar uma linha com o mouse, procurar uma palavra comum com Ctrl+F e ampliar a página até as letras mostrarem pixels. Se a seleção e a busca funcionam, há texto. Se nenhum dos dois funciona e o zoom mostra serrilhado, a página é uma imagem e precisa de OCR.
Por que o mesmo aspecto pode esconder dois arquivos diferentes
Duas páginas podem parecer idênticas na tela e ser construídas de jeitos opostos; o guia sobre como funciona o OCR mostra o que o programa faz com a imagem. Uma delas tem letras, guardadas como texto com fonte e posição. A outra tem uma foto do papel, em que cada letra é um conjunto de pontos. Para quem lê, não há diferença. Para o arquivo, a diferença é enorme: só o primeiro aceita busca, cópia e edição de texto. Um exemplo prático é o Diário Oficial que não deixa buscar o nome. A diferença entre PDF comum, só imagem e pesquisável está em PDF pesquisável ou PDF comum.
Um scanner, uma foto tirada com o celular e a maioria dos apps de escaneamento geram o segundo tipo. O PDF resultante é uma sequência de imagens, uma por página, e nenhuma letra existe como letra. É por isso que a busca falha justamente nos documentos que mais precisariam dela.
Os três testes, na ordem
- Selecione uma linha. Arraste o mouse sobre uma frase, ou dê um duplo clique numa palavra. Se a seleção fica azul e acompanha as letras, há texto. Se a seleção vira um retângulo sem destaque, ou nada acontece, a área é imagem.
- Procure uma palavra comum. Use Ctrl+F e digite uma palavra que aparece na página, como “de” ou “data”. Se ela é encontrada e marcada, o texto existe. Se o leitor diz que não encontrou nada, a página não tem texto pesquisável.
- Amplie ao máximo. Texto real continua com contornos limpos em qualquer zoom. Uma foto de papel começa a mostrar quadradinhos ou borrões quando você amplia o suficiente.
Faça os testes em cada página suspeita, e não só na primeira. Um PDF pode ter a capa digitada e as páginas escaneadas, ou o contrário. Anote quais páginas responderam positivo e quais não responderam; essa lista decide o que precisa de OCR.
O que cada resultado significa
| Seleção | Ctrl+F | Zoom | Conclusão |
|---|---|---|---|
| Funciona | Encontra | Nítido | Texto real, sem necessidade de OCR |
| Funciona | Não encontra | Nítido | Texto com fonte sem mapeamento, ou texto desenhado como forma |
| Não funciona | Não encontra | Serrilhado | Imagem escaneada ou fotografada, precisa de OCR |
| Não funciona | Não encontra | Nítido | Texto desenhado como curvas; o OCR também resolve |
A segunda linha é a que mais confunde. Quando a seleção funciona mas a busca não acha a palavra, o problema costuma ser a fonte, e não a imagem. O guia sobre texto convertido em curvas trata do caso em que o texto virou desenho e perdeu a ligação com as letras.
O que o OCR faz com a página
O OCR, ou reconhecimento óptico de caracteres, lê a imagem e identifica as letras. Na ferramenta de OCR em PDF do AjustaPDF, cada página sem texto é lida com o Tesseract a 300 DPI, e o texto reconhecido entra numa camada invisível exatamente sobre as letras da imagem. A aparência não muda. O que muda é que a busca, a seleção e a cópia passam a funcionar.
Páginas que já têm texto ficam como estão. Isso evita reprocessar o que já está correto e o arquivo cresce pouco, já que a camada de texto de uma página pesa alguns kilobytes. A imagem escaneada continua no arquivo, sem recompressão, e é ela que dá o peso ao PDF.
Quando o OCR não resolve
O reconhecimento depende da qualidade da imagem. Papel liso, letra impressa e uma resolução de 200 DPI ou mais costumam dar um texto quase sem erros. Manuscrito, carimbo por cima de letra, página torta e foto tirada de ângulo erram mais. Nesses casos, a camada de texto existe, mas contém palavras trocadas, e a busca encontra o que foi reconhecido, não o que está escrito.
Outro limite é o número de páginas. Cada operação lê até 60 páginas escaneadas. Um documento maior deve ser dividido em partes, por exemplo com a ferramenta de dividir PDF, e cada parte passa pelo OCR separadamente. Se a página é uma foto de celular torta, endireite antes com a ferramenta de escanear documento, que é a etapa certa para esse problema. Se o Ctrl+F falha mesmo com a camada de texto criada, o guia sobre Ctrl+F que não acha texto no PDF lista as outras causas.
O que pode dar errado
O erro mais comum é aplicar OCR num arquivo que já tinha texto e achar que algo ficou pior. Nesse caso, a página já tinha camada de texto, e a ferramenta a deixa como está. Outro erro é confiar no OCR sem conferir. Copie um trecho com números, nomes e valores e compare com a página, porque é justamente nesses itens que o reconhecimento mais erra; o guia sobre OCR que errou palavras mostra como reduzir os erros.
Por fim, o OCR não transforma uma imagem em um arquivo editável. Ele cria uma camada de busca. Para editar o texto, o caminho é converter para Word, como explica o guia sobre copiar texto de um PDF escaneado.
Onde o AjustaPDF entra
Se os testes mostraram imagem, a ferramenta de OCR torna a página pesquisável sem mudar o visual. Escolha o idioma do documento antes de começar; para textos em português, a opção padrão costuma ser a certa. Depois, repita os três testes na página processada para confirmar o resultado. Se o objetivo é tirar a cor do fundo, veja remover o fundo colorido do PDF.
Perguntas frequentes
Ctrl+F não acha a palavra que eu vejo na página. O PDF é imagem?
Provavelmente. Se a palavra aparece na tela mas o Ctrl+F não a encontra, a página é uma imagem ou o texto está desenhado como forma. Teste também selecionar com o mouse: se nada fica azul, não há texto selecionável naquela área. Nesse caso, o OCR cria a camada de texto que faltava.
Um PDF escaneado pode ter parte texto e parte imagem na mesma página?
Pode. Um carimbo, uma assinatura ou uma foto colada numa página digitada são imagens, enquanto o resto é texto. Por isso, o teste deve ser feito em áreas diferentes da mesma página. Se só uma parte responde à busca, o restante é imagem e precisa de OCR.
O zoom mostra se o PDF tem texto de verdade ou só uma foto do papel?
Sim, com uma ressalva. Texto gravado como texto continua nítido em qualquer ampliação, porque é desenhado a partir da forma das letras. Uma página escaneada aparece com serrilhado ou borrão quando você amplia muito, porque é uma imagem de pontos. Um texto impresso em alta resolução pode parecer nítido mesmo assim, por isso o zoom sozinho não basta.
Quanto tempo leva o OCR de um PDF escaneado de 60 páginas?
Depende do documento e do tamanho das páginas, mas a ferramenta lê até 60 páginas escaneadas por operação, e o processo costuma levar de um a dois minutos. Um PDF com mais páginas precisa ser dividido em partes antes, e cada parte passa pelo OCR separadamente.