Este PDF é digitalizado ou é texto?
Como saber se um PDF é digitalizado?
Salve suas ferramentas favoritas
Crie uma conta grátis no iBuildPDF para guardar suas ferramentas favoritas e encontrá-las rapidamente quando quiser.
Conta grátis. As ferramentas PDF em si nunca precisam de uma.
Resposta curta
Tente selecionar uma palavra com o cursor. Se o texto ficar destacado, o arquivo contém texto de verdade. Se, em vez disso, aparecer uma caixa de seleção sobre uma imagem, a página é uma imagem e o arquivo não contém texto nenhum. Os dois parecem idênticos na tela e se comportam de forma completamente diferente em qualquer ferramenta que você usar.
O teste de dois segundos
Abra o arquivo e tente selecionar uma palavra arrastando o cursor.
- A palavra fica destacada — há uma camada de texto. Pesquisa, cópia e conversão vão funcionar.
- Em vez disso, um retângulo se arrasta pela página, sem selecionar nada — a página é uma única imagem. Não há texto para encontrar.
Uma segunda verificação: pressione Ctrl+F (Cmd+F) e pesquise uma palavra que você está vendo claramente. Nenhum resultado para uma palavra visível significa que não há camada de texto.
A mesma página, com e sem texto
- Um PDF digital. Na tela, impossível de distinguir do que está à direita.
- Por baixo dele: códigos de caracteres, cada um com uma fonte e uma posição. Pesquisável, selecionável, conversível.
- Um PDF digitalizado. A mesma página e a mesma aparência.
- Por baixo dele: uma grade de amostras claras e escuras. Nenhuma letra, nenhuma palavra, nada para pesquisar.
As duas páginas acima são a mesma página e, na tela, são impossíveis de distinguir. Por baixo, uma é uma sequência de códigos de caracteres com posições e uma fonte; a outra é uma grade de amostras claras e escuras que, por acaso, parece escrita aos olhos humanos. Nada na segunda sabe que contém letras.
Se você prefere não ficar apertando os olhos: passe o arquivo pelo PDF para texto. Um arquivo digitalizado volta vazio ou quase vazio, e essa é a sua resposta.
Por que isso muda tudo o que vem depois
Quase toda reclamação sobre ferramentas de PDF vem dessa distinção.
- Converta para Word e você recebe fotos. Não é um erro, e não é algo que um conversor melhor resolveria: não havia texto no arquivo para converter. O conversor levou fielmente o que estava lá, que eram duas imagens.
- A pesquisa não encontra nada, no arquivo e em qualquer sistema que o indexe.
- Copiar e colar não dá nada.
- A compressão se comporta de outro jeito. Uma digitalização é dado de imagem, então responde bem à compressão de imagens e nada aos truques que reduzem texto — e é por isso que alguns arquivos se recusam a diminuir e as digitalizações normalmente diminuem.
- A tarja é outro trabalho. Não há texto para remover, só pixels para pintar por cima — mas a imagem original continua por baixo, a menos que a ferramenta reconstrua a página.
- Os leitores de tela não recebem nada. Para a tecnologia assistiva, um documento digitalizado é uma página em branco.
O que o OCR faz a respeito
O reconhecimento óptico de caracteres olha para a imagem, descobre quais formas são letras e grava uma camada de texto por baixo da imagem. A página continua exatamente igual — você continua vendo a digitalização —, mas agora há texto pesquisável, selecionável e copiável, invisível, por trás dela.
É essa a operação que o OCR em PDF faz, e é a etapa que precisa vir primeiro. Rode o OCR e depois converta, pesquise ou extraia; as ferramentas que eram inúteis no original vão funcionar no resultado.
O idioma importa mais do que as pessoas imaginam. O OCR decide entre formas parecidas usando um modelo de como as palavras são em determinado idioma, então ler no idioma errado aumenta os erros de forma mensurável — e, em árabe, chinês ou grego, o idioma errado produz algo sem sentido, e não só erros. Por isso o idioma de cada página é detectado automaticamente antes da leitura.
O que o OCR não resolve
OCR é reconhecimento, e o reconhecimento pode errar. Ele é muito bom em uma digitalização limpa, reta, a 300 DPI, de texto impresso comum. Ele piora em todo o resto, e não avisa quando está chutando.
- Letra de mão está, em grande parte, fora do alcance dele.
- Digitalizações de baixa resolução — abaixo de uns 200 DPI — perdem o detalhe que distingue letras parecidas.
- Páginas tortas, com sombra ou fotografadas se saem muito pior do que digitalizações em scanner de mesa.
- Tabelas e layouts em várias colunas podem ser lidos na ordem errada, porque a ordem de leitura precisa ser deduzida pela posição.
- Carimbos, assinaturas e anotações à mão sobre o texto impresso confundem as formas das letras por baixo.
Então trate o resultado do OCR como uma cópia pesquisável, e não como uma transcrição conferida. Para tudo em que um dígito errado importa — o total de uma fatura, uma dosagem, uma referência jurídica —, leia o texto reconhecido comparando com a imagem antes de confiar nele. OCR ou PDF para Word? explica qual dos dois você realmente quer.
Ferramentas que este artigo aborda
Fontes
Documentação primária das afirmações acima.



