PDF digitalizado para texto (OCR)

Como obter uma leitura mais limpa

Cada página é renderizada a 200 DPI antes da leitura, então o limite é a própria digitalização. Texto corrido digitalizado a 300 DPI costuma ser bem lido; uma foto de celular tirada em ângulo ou uma digitalização com qualidade de fax e letras pequenas gera suposições. Páginas de lado ou de cabeça para baixo são lidas muito mal, então deixe-as na posição correta com girar PDF antes de iniciar o reconhecimento.

Escolha o idioma em que o documento foi escrito, pois cada idioma usa um modelo separado. O chinês está disponível nos modelos Simplificado e Tradicional, e escolher o modelo errado reduz bastante a precisão. Um documento que mistura dois idiomas é melhor lido usando o idioma presente na maior parte do texto.

Verificando o resultado

O índice de confiança é uma média de todas as páginas, então uma página ruim pode ficar escondida em uma boa pontuação. Um valor em torno de 90 ou mais geralmente indica apenas erros ocasionais; abaixo de 75, espere erros na maioria dos parágrafos. As confusões mais comuns são 0 e O, 1, l e I, rn lido como m e 5 como S. Isso é mais importante em valores, datas e números de referência, portanto confira cada número na página.

Deixe a opção Unir linhas em parágrafos ativada para textos corridos, nos quais ela recompõe frases quebradas no fim de cada linha impressa. Desative-a para endereços, listas e tabelas, em que as quebras de linha têm significado.

Como usar

1. Escolha um PDF digitalizado.
2. Selecione o idioma do texto.
3. Leia o resultado e copie ou baixe.

Privacidade e limitações

Seu arquivo nunca é enviado. O mecanismo de reconhecimento e o modelo de idioma são baixados uma vez — cerca de 10 MB — e armazenados em cache pelo seu navegador; depois, tudo roda na sua própria máquina. Serviços de OCR hospedados funcionam ao contrário: eles querem o documento. Um documento longo leva um tempo, porque cada página é renderizada e depois lida em sequência.