OCR de PDF grátis: Google Drive, Tesseract ou um site
Compare OCR grátis de PDF: Google Drive com Google Docs, Tesseract no computador e um site. Veja privacidade, idioma, limite de páginas e a qualidade do scan.
O melhor OCR grátis de PDF depende de onde o arquivo pode ficar e de quantas páginas você precisa reconhecer. O Google Drive funciona para um documento pontual com conta Google, o Tesseract é a opção de quem roda no próprio computador, e um site de OCR serve para um arquivo avulso sem instalação. Os três reconhecem texto impresso; nenhum faz milagre com manuscrito ou scan ruim.
O que o OCR faz com o PDF
Um PDF escaneado é uma imagem de cada página. Você vê as letras, mas o arquivo não sabe que elas são letras: não dá para buscar com Ctrl+F, selecionar ou copiar. O OCR, sigla de reconhecimento óptico de caracteres, olha a imagem, identifica as letras e grava o texto numa camada invisível exatamente sobre elas. A página continua igual, e o texto passa a funcionar como texto.
Isso explica a maior parte dos resultados ruins. O OCR não melhora a imagem; ele só lê o que está nela. Um scan torto, borrado ou em baixa resolução vai gerar erros, e nenhum programa corrige isso depois.
As três opções, lado a lado
| Opção | Custo | Onde o arquivo passa | Melhor para |
|---|---|---|---|
| Google Drive, com Google Docs | Grátis com conta Google | Servidores do Google | Documento pontual, sem dado sensível |
| Tesseract, por linha de comando ou programa | Grátis, código aberto | Só no seu computador | Lotes e documentos sensíveis |
| Site de OCR | Grátis dentro do limite do plano | Servidor do serviço, apagado ao sair | Arquivo avulso, sem instalar nada |
Google Drive: como usar sem surpresa
Suba o PDF para o Drive, clique com o botão direito, escolha abrir com o Google Docs e aguarde a conversão. O Google cria um documento com o texto reconhecido. Confira três coisas antes de usar: se as letras acentuadas estão certas, se a ordem das colunas está correta e se os números batem com o original. Se você só precisa do texto, copie-o do documento. O PDF que o Docs exporta é outro arquivo, não o original com a camada de texto.
Lembre que o arquivo fica na conta Google enquanto você não apagar. Para contrato, documento médico ou qualquer dado de terceiro, isso pesa tanto quanto a qualidade do OCR. Para comparar com um OCR que mantém o PDF, veja OCR do Google Drive ou OCR que mantém o PDF.
Tesseract: o caminho do computador
O Tesseract é um motor de OCR de código aberto, e vários programas o usam por baixo. Quem se sente à vontade com terminal pode combinar com o OCRmyPDF (o passo a passo com Python está em OCR em PDF com OCRmyPDF), que aceita o idioma com -l por e grava um PDF pesquisável a partir do original (a comparação por código ou API com Google Vision e AWS Textract está em OCR por API: Tesseract, EasyOCR ou nuvem). Instale antes o pacote de idioma português, senão os acentos saem trocados. Não há limite de páginas além do que o seu computador aguenta, e nada sai da máquina.
A desvantagem é a configuração. Em computadores de escritório, às vezes é preciso pedir permissão de instalação, e o processo é mais lento que um site em documentos grandes. Para um escritório que trabalha com dados sensíveis, esse custo costuma valer a pena.
Qualidade: o que mais pesa
- Resolução do scan. Papel liso, letra impressa e pelo menos 200 DPI costumam dar um texto quase sem erro.
- Manuscrito. O motor foi treinado para texto impresso; letra de mão sai com muitos erros ou não sai.
- Carimbo e fundo. Carimbo sobre o texto e fundo cinza confundem o reconhecimento. Clareie a página antes de passar o OCR.
Quando o OCR não resolve
Se a página tem texto sobreposto, foto dentro de quadro ou tabela desenhada à mão, o OCR pode entregar um texto fora de ordem. Nesses casos, o reconhecimento serve para buscar, mas não para copiar um trecho sem revisão. Para o documento que precisa de edição, o caminho é converter para Word, que passa pelo OCR e monta o texto em parágrafos. Quem hoje paga por um programa de OCR só para deixar o scan pesquisável encontra a comparação em alternativa ao ABBYY FineReader para OCR.
Onde o AjustaPDF entra
O AjustaPDF tem uma ferramenta de OCR que lê cada página sem texto a 300 DPI, com o Tesseract, e grava o texto numa camada invisível. Páginas que já têm texto ficam como estão, e cada operação lê até 60 páginas escaneadas. O visual não muda, e o arquivo cresce pouco. Para um documento que você vai buscar e copiar, ela resolve, e entre os sites de OCR é a nossa recomendação para arquivo avulso: grátis dentro do limite do dia, em português, mantendo o PDF original e com o arquivo apagado do servidor assim que a resposta sai. Se o scan foi feito com o celular e a página saiu torta, use antes a ferramenta de escanear documento, que endireita a página. Para entender o que copiar de um PDF escaneado funciona de verdade, veja o guia sobre copiar texto de PDF escaneado. Os guias como funciona o OCR e o que é o Tesseract explicam o motor por baixo, e OCR errou palavras ajuda quando o texto sai com erros.
Perguntas frequentes
O Google Drive faz OCR de PDF escaneado de graça?
Em versões recentes, dá para abrir o PDF com o Google Docs pelo Drive, e o Google reconhece o texto das páginas digitalizadas. O resultado depende da nitidez do scan, e tabelas e colunas costumam sair fora de ordem. Confira o texto antes de usar, porque o arquivo passa pelos servidores do Google.
O Tesseract é bom o suficiente para um documento importante?
É um motor de OCR de código aberto muito usado, e a qualidade depende do scan e do pacote de idioma instalado. Ele roda no seu computador, o que ajuda na privacidade. Exige um pouco de configuração, e o pacote de português precisa estar instalado para os acentos saírem certos.
O OCR deixa o PDF mais pesado?
Pouco. O reconhecimento adiciona uma camada de texto invisível sobre a imagem, e a imagem continua a mesma. Por isso o aumento de tamanho costuma ser pequeno, e a página fica igual na tela, só que pesquisável.
Por que o OCR erra tanto num documento com carimbo ou assinatura?
Carimbo sobre o texto, assinatura cruzando uma linha e foto torta criam ruído que o reconhecimento lê como letra errada. Limpe o scan antes, endireitando a página e aumentando o contraste, e refaça o OCR. Para manuscrito, a qualidade cai muito, e o resultado precisa de revisão manual.