Scan torto e OCR que falha: endireite antes de reconhecer

O OCR de um PDF escaneado torto falha porque o reconhecimento de letras depende de linhas retas. Endireite a página antes de rodar o OCR, seja com uma nova digitalização reta, seja com a ferramenta de escanear documento se a imagem veio de uma foto. Depois, use idioma correto e 300 DPI, e confira uma palavra conhecida no texto final.

Por que a inclinação estraga o texto

Um PDF escaneado é uma imagem da página. O OCR procura linhas de texto, separa palavra por palavra e compara cada letra com o que aprendeu. Se a página está torta, uma linha passa por cima de parte da seguinte, e o programa lê letras de duas linhas como se fossem uma. O resultado costuma ser texto embaralhado, palavras com letras trocadas ou trechos inteiros vazios.

A inclinação é um problema diferente da qualidade da imagem. Uma inclinação de poucos graus o Tesseract costuma compensar sozinho; o problema aparece quando a página está bem torta ou de lado. Um scan nítido e muito torto ainda confunde o OCR, e um scan reto e um pouco borrado costuma sair melhor. Por isso, corrigir a página antes de reconhecer o texto costuma resolver mais do que trocar de ferramenta.

O que o OCR faz com o arquivo

O OCR do AjustaPDF não recria a página. Ele lê cada página escaneada a 300 DPI, em tons de cinza, e grava o texto reconhecido numa camada invisível exatamente sobre as letras da imagem. O visual não muda, mas você passa a buscar com Ctrl+F, selecionar e copiar. Páginas que já têm texto selecionável ficam como estão, o que evita duplicar a camada.

Como a imagem escaneada continua a mesma, o arquivo cresce pouco: a camada de texto de uma página pesa alguns kilobytes. Se a página estiver torta, a camada de texto herda os erros de leitura, mas o visual continua igual ao original. Isso significa que é possível conferir o resultado olhando a página e comparando com o texto selecionado.

O que cada sintoma indica

Passo a passo para um scan torto

1. Confirme que o PDF precisa de OCR. Tente selecionar uma palavra ou buscar uma palavra conhecida com Ctrl+F. Se nada aparece, a página é imagem.
2. Endireite a página. Se você ainda tem a foto, passe-a pela ferramenta de escanear documento, que endireita a página e já aplica o OCR. Se só tem o PDF, exporte as imagens com PDF para imagem (a opção de imagens embutidas devolve cada scan na resolução original; se escolher páginas, suba o DPI de 150 para 300), descompacte o ZIP e envie as imagens ao escanear documento; o resultado é um PDF novo. O OCR em si não endireita nada. Se veio de um scanner com alimentador, digitalize de novo com a folha bem alinhada à borda.
3. Gire a página se ela estiver de cabeça para baixo. Use girar PDF antes de reconhecer o texto. Uma página invertida sai sem texto legível mesmo com a inclinação correta.
4. Escolha o idioma certo. Para um documento em português, use o português. Se o texto tiver trechos em inglês, como nomes de produtos ou siglas, use português e inglês juntos.
5. Confira o resultado. Busque uma palavra que aparece várias vezes no documento, e compare um número, um valor ou uma data com o original. Números são o que mais merece conferência.

Há uma armadilha: o OCR só lê páginas que ainda não têm texto. Se o PDF já passou por um reconhecimento com a página torta e saiu texto embaralhado, essas páginas contam como já tendo texto e o OCR do site as pula. Nesse caso, recomece de uma imagem limpa: o scan original ou as páginas exportadas como imagem, passadas pelo escanear documento.

Quando o problema é a digitalização

O scan ruim tem sinais claros: fundo cinza, letras cortadas nas bordas, sombra de dobra ou um dos lados da página mais escuro que o outro. Nesses casos, o OCR até lê, mas erra mais. Antes de reconhecer o texto, escolha uma digitalização com papel plano, luz uniforme e a resolução mais alta que o scanner oferecer. Se o scan já está reto e o texto continua errado, veja OCR errou palavras. O guia scan torto no PDF trata só da inclinação. Para a resolução de um escaneado, veja qual DPI usar para escanear um documento.

Se o PDF tem sombra ou reflexo porque foi fotografado, o caminho é refazer a foto, e não confiar na correção depois. O guia foto de documento com sombra ou reflexo mostra como fotografar para o OCR conseguir ler. Para levar o texto fotografado até um arquivo editável, o passo a passo está em foto de texto para Word editável.

Limites que você precisa conhecer

• 60 páginas escaneadas por operação. Páginas com texto já selecionável não entram nessa conta. Documentos maiores devem ser divididos.
• Tempo de processamento. Cada operação leva de um a dois minutos no limite, então um lote grande não deve ser enviado de uma vez.
• Manuscrito e carimbo. O reconhecimento é melhor com texto impresso. Uma linha com carimbo sobre ela pode sair errada, e vale conferir a linha inteira.

Onde o AjustaPDF entra

A ferramenta de OCR em PDF faz a parte de reconhecer o texto, e a de escanear documento faz a parte de endireitar a imagem. Para o que sai do OCR, o guia não consigo copiar texto do PDF mostra como conferir se a camada de texto ficou certa antes de copiar trechos para outro documento. Para petições e documentos que precisam ser pesquisáveis, o guia petição em PDF pesquisável mostra o fluxo.