Como fazer OCR a um PDF digitalizado num Mac
Texto Dinâmico contra OCR
É esta a distinção que vale a pena levar. O Texto Dinâmico reconhece caracteres numa imagem no momento em que olhas para ela, dentro do visualizador, e devolve-te uma seleção. No disco não muda nada. Fecha o ficheiro e o reconhecimento desapareceu. O OCR corre uma vez e escreve as palavras reconhecidas dentro do PDF como uma camada invisível, posicionada debaixo da imagem da página.
Os dois deixam copiar uma frase. Só um torna o documento pesquisável, indexável pelo Spotlight, legível por um leitor de ecrã, convertível para Word e localizável dentro de seis meses quando já te esqueceste de como se chamava o ficheiro.
O Texto Dinâmico é genuinamente útil — tirar uma morada de uma digitalização é mais rápido do que qualquer alternativa. Apenas não é um substituto, e porque funciona tão bem convence as pessoas de que já têm uma camada de texto.
A digitalização conta mais do que a ferramenta
A precisão do reconhecimento fica decidida no momento da captura. 300 ppp é o mínimo para impressão normal; abaixo de 200 o motor começa a adivinhar entre formas parecidas. Uma página fotografada de esguelha perde precisão por causa da distorção. A sombra de uma lâmpada de mesa deixa uma faixa de texto ilegível. Qualquer motor de OCR se desembaraça bem com uma digitalização limpa e todos sofrem com uma má, por isso o tempo está melhor investido a digitalizar outra vez do que a procurar melhor software.
A captura com o telefone serve se a página estiver plana, a luz for uniforme e a câmara estiver paralela ao papel. Os modos de digitalização de documentos que endireitam a página sozinhos ajudam muito.
O que continua difícil
A escrita à mão, em geral. As tabelas densas, onde o motor lê por cima dos limites das células. As páginas a duas colunas, onde a ordem de leitura tem de ser inferida. As ligaduras e as letras antigas. Vários alfabetos na mesma página. Um resultado certo a 98 % continua a significar um caractere errado a cada duas linhas, por isso tudo o que tenha consequências precisa de ser lido, não acreditado.
Privacidade, porque é quase sempre um documento que importa
Os PDF digitalizados tendem a ser os pessoais: contratos, cartas médicas, papelada das finanças, documentos de identificação. O OCR online manda tudo isso para o servidor de outra pessoa. O reconhecimento corre perfeitamente bem num Mac moderno sem carregar nada, e para esta classe de documentos essa é a predefinição sensata.
Passo a passo
- Testa o que tens
Abre o PDF e pressiona ⌘F. Se uma palavra que vês claramente não devolver nada, não há camada de texto. - É a qualidade da digitalização que decide a precisão, não o programa
300 ppp, página plana, luz uniforme. Nada recupera uma captura desfocada ou torta. - Corre o OCR para produzir um PDF pesquisável
O resultado deve parecer idêntico e comportar-se de forma diferente: selecionável, pesquisável, indexável. - Confirma com ⌘F e depois com o Spotlight
Procura uma palavra do meio do documento. Depois procura-a no Finder para confirmar que o índice a apanhou.
Nosso app de iOS exatamente pra isso. Roda no seu aparelho — sem conta e sem rastreamento.