Converter PDF escaneado em texto

Q: Por que o texto de uma página com duas colunas sai misturado?

As colunas são mantidas separadas quando **Layout do texto** está em Preservar layout, o padrão aqui. Se as linhas das duas colunas ainda se alternam, o espaço entre elas na digitalização é estreito; uma digitalização mais limpa e com as páginas retas geralmente resolve.

Se você não consegue selecionar nem uma palavra no PDF, ele é um escaneamento: uma pilha de fotos das páginas sem texto dentro. Envie o arquivo aqui e o OCR lê cada página e devolve texto simples para você copiar, pesquisar e editar.

ou solte arquivos PDF, JPG, JPEG … aqui ·

Até 95 MB por arquivo· Até 20 arquivos· Apagados após 30 minutos

Saída

Idioma do documento

Saída

Tipo de texto

Os arquivos são processados em nossos servidores e apagados após 30 minutos.

Como usar esta ferramenta

1
Envie o PDF escaneado
Adicione o PDF, ou até 20 deles, cada um com até 95 MB. Digitalizações em TIFF com várias páginas e imagens de página única também funcionam.
2
Defina o idioma e as páginas
Idioma do documento está em inglês e Saída está em Texto simples (.txt). Mude o idioma para outros documentos e, em Configurações avançadas, use Páginas para ler apenas um intervalo de um arquivo longo.
3
Reconheça o texto
Clique em Reconhecer texto. As páginas são primeiro endireitadas e colocadas na vertical, depois lidas em ordem e reunidas em um único arquivo de texto.

PDF escaneado vs. PDF pesquisável: por que falta o texto

PDF somente de imagemPDF escaneado · PDF não pesquisável · PDF plano: Um PDF cujas páginas são guardadas como imagens, normalmente gerado por um scanner, pela função de escanear para e-mail de uma copiadora ou por um aplicativo de digitalização no celular. Parece um documento, mas não há códigos de caracteres dentro, então nada pode ser selecionado, pesquisado ou lido em voz alta.

Um PDF normal exportado do Word ou de um navegador contém objetos de texto: cada palavra é guardada como caracteres com uma fonte e uma posição, por isso a busca e a cópia funcionam. Um scanner pula tudo isso e salva uma imagem por página. Para o computador, a página com o seu contrato é o mesmo tipo de dado que a foto de um gato.

O OCR reconstrói a camada que falta. A imagem da página é limpa, as linhas e palavras são localizadas e o formato de cada caractere é comparado com o alfabeto do Idioma do documento selecionado. Esta página devolve esse resultado como texto simples. Um PDF pesquisável é o outro resultado comum: a digitalização continua visível e as palavras reconhecidas são adicionadas atrás dela como texto invisível, um modo de renderização que o padrão PDF, ISO 32000, sempre permitiu.

O Adobe Acrobat Reader gratuito consegue exibir uma digitalização, mas não executa OCR; o reconhecimento faz parte das versões pagas do Acrobat. Um conversor é o atalho quando você precisa das palavras uma vez e não quer outra assinatura. Se suas digitalizações ainda saem fracas, nosso guia sobre como escanear documentos em PDF cobre os ajustes do scanner e do celular.

Resolução de digitalização para extrair texto de PDF escaneado

Size	Pixels	cm	in	DPI	Fits
Carta	1700 × 2200	21,59 × 27,94	8,5 × 11	200	Só para texto impresso grande e limpo; texto pequeno é adivinhado
Carta	2550 × 3300	21,59 × 27,94	8,5 × 11	300	Padrão para OCR de páginas impressas
A4	2480 × 3508	21 × 29,7	8,27 × 11,69	300	Mesmo nível de detalhe em papel A4
A4	3307 × 4677	21 × 29,7	8,27 × 11,69	400	Notas de rodapé, letras miúdas, páginas antigas de máquina de escrever

Quando a conversão de PDF escaneado em texto dá errado

As palavras saem sem sentido em uma página inteira
A página provavelmente está em outro idioma ou outro alfabeto. Defina Idioma do documento de acordo e use Reconhecer também para um segundo idioma na mesma página.
As linhas são cortadas no meio da frase e as palavras terminam em hífen
Isso segue as quebras de linha impressas. Escolha Texto corrido simples em Layout do texto para ter um bloco de texto contínuo; os hifens que sobrarem pedem uma rápida busca e substituição.
Algumas páginas estão faltando no arquivo de texto
Confira se Páginas está em Todas as páginas em Configurações avançadas. Um intervalo como 1-3 limita o reconhecimento de propósito.

PDF

Portable Document Format (PDF)

O PDF foi criado pela Adobe em 1993 e se tornou o padrão aberto ISO 32000 em 2008. Ele fixa texto, fontes, imagens e layout para que um documento fique igual em qualquer tela e impressora. PDFs podem conter formulários, assinaturas, links, anexos e texto pesquisável, e a variante PDF/A é usada para arquivamento de longo prazo. O layout fixo torna os PDFs difíceis de editar, e PDFs digitalizados contêm só imagens, a menos que se aplique OCR. Todo navegador e sistema operacional consegue abri-los.

Compressão: –
Transparência: Sim
Animação: Não
Lançamento: 1993 · Adobe

Conversor de PDF

TXT

Texto simples

Um arquivo TXT contém apenas caracteres simples, sem formatação, fontes, imagens ou layout. Os arquivos de texto atuais costumam usar a codificação UTF-8, que cobre todos os idiomas, mas arquivos mais antigos podem usar outras codificações e exibir caracteres embaralhados. O texto simples é minúsculo, nunca fica obsoleto e abre em qualquer dispositivo, de celulares a servidores. Ele não comporta negrito, tabelas nem imagens, então a estrutura precisa ser expressa com espaçamento ou marcação simples.

Compressão: –
Transparência: –
Animação: –
Lançamento: –

Conversor de TXT

Um PDF escaneado guarda imagens das páginas, então suas palavras não podem ser copiadas, pesquisadas nem indexadas; reconhecê-las em um arquivo TXT transforma a digitalização em texto que funciona em um editor, em um tradutor ou em uma caixa de busca.

Perguntas sobre PDF escaneado para texto

Como saber se o meu PDF é escaneado ou já tem texto?

Tente selecionar uma frase ou procurar uma palavra com Ctrl+F ou Command+F. Se o cursor seleciona a página inteira como uma figura e a busca não encontra nada, é uma digitalização só com imagem e precisa de OCR. Se as palavras são destacadas normalmente, o texto já existe e o PDF para TXT o extrai com exatidão, sem etapa de reconhecimento.

Texto simples ou PDF pesquisável: qual resultado é melhor?

O texto simples serve para reaproveitar as palavras: citar, traduzir, colar em um banco de dados ou em um e-mail. Um PDF pesquisável mantém a aparência da digitalização e esconde o texto por trás dela, o que combina com arquivos e contratos. Se você quer a segunda opção, o OCR em PDF já está configurado para isso.

Qual resolução de digitalização dá o melhor texto de um PDF?

300 DPI para páginas impressas comuns. A documentação do Tesseract descreve queda de precisão em textos abaixo de cerca de 10 pt a 300 DPI, então notas de rodapé e letras miúdas se beneficiam de 400 DPI. Chegar a 600 DPI raramente ajuda o OCR e deixa o PDF várias vezes maior.

Dá para extrair texto de um PDF escaneado de página datilografada ou de livro antigo?

Em geral, sim. Letras de máquina de escrever e de livros são caracteres impressos regulares, e Endireitar páginas corrige a inclinação que costuma vir de escanear um livro encadernado. Páginas muito desbotadas são lidas melhor com Realçar contraste ativado.

Por que o texto de uma página com duas colunas sai misturado?

As colunas são mantidas separadas quando Layout do texto está em Preservar layout, o padrão aqui. Se as linhas das duas colunas ainda se alternam, o espaço entre elas na digitalização é estreito; uma digitalização mais limpa e com as páginas retas geralmente resolve.