OCR e extração de texto de PDF

Torne um documento digitalizado pesquisável ou tire o texto dele.

Extrair texto de um PDFTire as palavras como texto simplesTornar um PDF digitalizado pesquisávelReconheça o texto de uma digitalizaçãoImagem para textoCopie o texto de uma imagemImagem para WordFoto de uma página em Word

De qual você precisa?

Como saber que tipo você tem

Abra o arquivo e tente selecionar uma linha de texto com o mouse. Se uma seleção azul certinha acompanhar as palavras, há uma camada de texto e a extração vai funcionar. Se nada acontecer, ou se você selecionar um retângulo cobrindo a página inteira como se fosse uma imagem só, é uma digitalização.

A aparência não diz nada: a digitalização de uma página impressa a laser pode parecer mais limpa na tela do que um documento digital de verdade. Só o teste de seleção é confiável, e ele leva dois segundos.

Um documento também pode ser em parte as duas coisas — um relatório nascido digital com um anexo digitalizado grampeado no fim é muito comum, e ele extrai perfeitamente por quarenta páginas e depois não devolve nada.

O erro que as pessoas cometem

Confiar no resultado do OCR sem lê-lo. O OCR é uma dedução muito boa, mas continua sendo uma dedução. Os caracteres que ele mais confunde são justamente os que mais importam: 0 e O, 1 e l e I, 5 e S, 8 e B. Um dígito mal lido em um número de referência ou em um valor não parece errado em lugar nenhum — a frase continua normal —, então ele passa por uma revisão que pegaria uma palavra com erro de grafia. Confira os números um a um com o original.

Vale a pena ler antes de começar

As três coisas que as pessoas mais gostariam de ter sabido sobre este tipo de trabalho.

Todos os artigos da base de conhecimento

Categorias relacionadas