PDF pesquisável ou PDF comum: como saber e quando rodar OCR

Um PDF comum tem texto como texto, e a busca encontra as palavras. Um PDF só imagem é uma foto de página, e a busca não encontra nada. Um PDF pesquisável é uma imagem com uma camada de texto invisível por cima, criada pelo OCR. Para saber qual você tem, selecione uma palavra ou use Ctrl+F; o resultado decide se vale rodar OCR.

Os três tipos de PDF na prática

A aparência é a mesma nos três casos, e por isso a confusão é comum; um assistente como o Gemini, por exemplo, depende do texto (veja como enviar o PDF a ele). O que muda é o que está dentro do arquivo, e isso afeta busca, cópia, tamanho e até a leitura por programas. Para quem usa leitor de tela, texto reconhecido é só o começo, como mostra o que o arquivo precisa ter.

Um PDF pesquisável ainda parece uma foto. A diferença só aparece quando você tenta buscar, copiar ou usar o texto em outro programa, por isso o teste precisa ser feito no leitor onde o arquivo será usado. No celular, o teste é parecido, e os guias de pesquisar palavra no PDF no celular e de selecionar e copiar texto de PDF no celular mostram como.

Teste em 30 segundos

1. Abra o PDF no leitor e pressione Ctrl+F (ou Cmd+F no Mac) com uma palavra que aparece na página.
2. Se a busca encontra, o arquivo tem texto. Confira se o número de ocorrências bate com o que você vê.
3. Se não encontra, tente selecionar um parágrafo com o mouse. Se a seleção não aparece, a página é imagem.
4. Em PDF com várias páginas, teste a primeira e a última: um arquivo pode ter texto numa parte e imagem na outra, como um contrato com anexos escaneados.

Esse caso misto é comum em processos e contratos. Para entender por que a busca falha mesmo com o arquivo aberto, veja por que o Ctrl+F não acha nada no PDF.

Quando vale rodar OCR

O OCR faz sentido quando o documento é um PDF escaneado e você precisa buscar, copiar ou citar um trecho. Ele reconhece o texto da imagem e cria a camada invisível (como essa camada se alinha à imagem). A imagem da página não muda, então o arquivo cresce pouco: o texto de uma página pesa alguns kilobytes.

Não vale quando o texto já existe, quando a página é uma foto de baixa qualidade que não será lida ou quando o documento é um desenho técnico. Também não vale quando o arquivo precisa manter uma assinatura digital, porque alterar o PDF pode invalidá-la.

O que pode dar errado

O texto reconhecido não é perfeito. Papel com manchas, carimbo sobre o texto, letra de mão e página torta reduzem a qualidade. Para o idioma, escolha o certo: o reconhecimento de português e de inglês usa modelos diferentes. E confira números e nomes contra a imagem, porque o texto invisível pode estar errado e a busca vai devolver o erro com a mesma confiança.

Para o OCR em PDF no AjustaPDF, o idioma se escolhe antes, e cada operação lê até 60 páginas escaneadas. Se o seu caso é um documento longo, divida o arquivo em partes, rode OCR em cada uma e depois junte, como mostra o guia sobre OCR que errou palavras.

Antes de confiar numa busca, teste uma palavra rara do documento, como um nome próprio ou um número de processo. Se ela aparece no lugar certo e em nenhum lugar a mais, a camada de texto está coerente. Se a busca devolve palavras parecidas mas diferentes, o reconhecimento errou naquela página, e vale rodar de novo com uma imagem melhor, endireitada e com contraste.