OCR em PDF

Um PDF pesquisável, às vezes chamado de imagem mais texto, guarda duas coisas por página: o escaneamento original como imagem e uma camada invisível de texto reconhecido posicionada exatamente sobre as palavras impressas. Os leitores exibem a imagem e usam o texto para busca, seleção, cópia e leitores de tela. A aparência não muda em nada, e por isso arquivos, escritórios de advocacia e setores de registros o preferem para papel escaneado.

O PDF virou o padrão aberto ISO 32000 em 2008, e o PDF/A, o perfil de arquivamento definido na ISO 19005, é muito usado em registros escaneados que precisam continuar legíveis por décadas. O Adobe Acrobat oferece a mesma tarefa na ferramenta Digitalizar e OCR, e muitos scanners de escritório têm saída em "PDF pesquisável"; o resultado aqui é um PDF comum, que abre em qualquer leitor.

O PDF pesquisável é a escolha certa quando o próprio escaneamento é o registro: um contrato assinado, uma escritura, um laudo médico. As outras saídas criam um novo documento a partir das palavras reconhecidas, o que ajuda quando você vai editar, mas a cópia só é tão boa quanto o reconhecimento. Para obter Word a partir de um PDF que já tem texto de verdade, use PDF para Word, que lê o texto existente sem OCR; para ter só as palavras, PDF escaneado para texto já está configurado para isso.

Uma camada de texto acrescenta pouco ao tamanho do arquivo, já que o texto é minúsculo perto das imagens das páginas. Se o escaneamento já era grande demais para um formulário de envio, aplique o OCR primeiro e depois comprima o PDF até o tamanho que o formulário aceita.