OCR e extração de texto de PDF
Torne um documento digitalizado pesquisável ou tire o texto dele.
De qual você precisa?
- Um PDF que já tem camada de texto, e você quer tirar as palavras. Extrair texto as lê diretamente, no seu navegador, sem nenhuma adivinhação.
- Uma digitalização ou a foto de uma página. Não há texto nela para extrair. Ela precisa antes de OCR, que lê os pixels e descobre que caracteres eles são — depois disso, o resultado pode ser extraído, pesquisado e copiado.
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.



