O que é a extração de texto de PDF com OCR?

Alguns PDFs exibem texto que não pode ser copiado ou extraído corretamente. Um documento digitalizado armazena cada página como uma imagem, por isso não há texto para copiar. Outros PDFs armazenam o texto, mas usam uma codificação de fonte incorreta ou incomum: as letras aparecem corretamente na página, mas, ao copiá-las, surgem caracteres aleatórios, quadrados vazios ou nada. Isso acontece quando uma fonte não informa qual caractere cada uma de suas formas de letra representa, ou informa isso incorretamente.

O OCR (reconhecimento óptico de caracteres) lê o texto como uma pessoa faria, identificando as formas das letras na página. Como não usa o texto armazenado no PDF, consegue extrair o texto correto dos dois tipos de arquivo.

Descrição da ferramenta

Esta ferramenta extrai o texto de um PDF com OCR, diretamente no navegador. Ela transforma cada página em uma imagem e reconhece as letras com o mecanismo de OCR Tesseract. Selecione o PDF e o idioma do documento, extraia o texto e, em seguida, copie-o ou baixe-o como um arquivo .txt. O texto de cada página começa com um cabeçalho que indica o número da página, e você pode acompanhar o progresso página por página.

Exemplo

Uma página de relatório com duas colunas cujo texto é copiado como caracteres ilegíveis, como "еКпФщЮФГиНтЮЧьФщ", é convertida em:

Página 1

Relatório trimestral

A primeira coluna começa aqui. A receita aumentou
durante o período de relatório porque o novo
armazém foi inaugurado em março e os prazos de
entrega diminuíram em dois dias.

Os custos permaneceram estáveis. A equipe contratou
quatro engenheiros e transferiu o sistema de cobrança
para os novos servidores sem causar indisponibilidade
para os clientes.

A segunda coluna dá continuidade ao relatório. Os
índices de satisfação dos clientes subiram para 87 por
cento, e a equipe de suporte respondeu à maioria dos
chamados em até uma hora.

No próximo trimestre, a empresa planeja abrir um
escritório em Lisboa, traduzir o site para português e
lançar o aplicativo móvel para tablets.

Recursos

  • Extrai texto de PDFs digitalizados e de PDFs com codificação de fonte incorreta ou incomum
  • Reconhece texto em 19 idiomas, incluindo árabe, chinês, hindi, japonês, coreano e russo
  • Lê páginas com várias colunas, uma coluna após a outra
  • Lê páginas digitalizadas de lado ou de cabeça para baixo
  • Lê até quatro páginas ao mesmo tempo, dependendo da quantidade de núcleos do processador do seu dispositivo
  • Exibe o texto de cada página assim que ela é lida e o mantém caso você cancele
  • Funciona no navegador, por isso o PDF nunca sai do seu dispositivo

Como funciona

A ferramenta abre o PDF com PDF.js e desenha cada página na orientação correta, a 300 dpi, incluindo imagens, texto e desenhos. A página é convertida em uma imagem em tons de cinza. Em seguida, o Tesseract identifica as colunas e os blocos de texto e reconhece cada linha. Como o texto é lido a partir da imagem, as fontes e o texto armazenados no PDF não importam.

Quando o Tesseract tem pouca confiança no texto que leu em uma página, ela pode estar de cabeça para baixo. Nesse caso, a ferramenta a lê novamente após girá-la e mantém a leitura em que o Tesseract tem mais confiança.

O idioma do documento é definido inicialmente como o idioma deste site, caso a ferramenta consiga reconhecê-lo, ou como inglês, caso contrário. Na primeira vez que você extrair texto em um idioma, o navegador baixará os dados de reconhecimento correspondentes deste site.

Dicas

  • Selecione o idioma em que o documento foi escrito. Quando o idioma selecionado está incorreto, letras como ä, ß ou é costumam ser reconhecidas incorretamente.
  • Se você consegue copiar o texto do PDF normalmente, o Extrator de Texto de PDF lê diretamente o texto armazenado, o que é mais rápido e preserva os caracteres exatos.
  • O resultado é texto simples: as linhas de cada página e as linhas em branco entre os parágrafos são mantidas, mas as fontes, o negrito e o layout não.
  • Páginas muito grandes, como pôsteres, são desenhadas em resolução mais baixa, por isso textos pequenos podem não ser reconhecidos.
  • Um aviso informa quantas páginas não tinham texto, como páginas em branco.
  • PDFs protegidos por senha não podem ser lidos. Remova a senha primeiro.