Extração de texto ou OCR: ler texto de verdade ou reconhecer uma imagem
Tirar as palavras de um PDF pode funcionar de duas maneiras bem diferentes. Se o ficheiro foi criado num computador, o texto já está armazenado dentro dele e a extração apenas o lê na ordem certa. Se o ficheiro é uma digitalização ou uma foto, a página é só uma imagem, e o OCR, ou reconhecimento óptico de caracteres, precisa identificar as letras a partir dos pixels. Escolher o método certo poupa tempo e evita erros.
Resumo
| Critério | Extração de texto | OCR |
|---|---|---|
| Funciona em | PDFs com texto de verdade. | Digitalizações, fotos e PDFs só de imagem. |
| Como funciona | Lê o texto armazenado. | Reconhece letras a partir da imagem. |
| Precisão | Exata, é o texto original. | Boa em páginas limpas, pior em digitalizações ruins. |
| Rapidez | Muito rápida. | Mais lento, cresce com o número de páginas. |
| Resultado | Texto simples ou cópia do conteúdo. | Uma camada de texto ou palavras extraídas. |
Como saber qual precisa
Abra o PDF e tente selecionar uma palavra com o cursor. Se ela ficar destacada, o ficheiro tem texto de verdade e a extração basta. Se só for possível selecionar a página inteira como um bloco, ou nada, é uma imagem e precisa de OCR. Depois do reconhecimento, leia o resultado com atenção, porque pequenos erros em números e nomes passam fácil. O idioma do documento deve corresponder ao idioma escolhido para o reconhecimento. Mantenha o ficheiro original nos dois casos.
Quando escolher cada opção
Extração de texto
Escolha a extração de texto quando o PDF foi criado digitalmente e precisa do texto exato para editar, pesquisar ou analisar.
OCR
Escolha o OCR quando o PDF for uma digitalização ou uma foto e as palavras forem só imagens que precisam virar texto pesquisável e copiável.
Ferramentas gratuitas para ambas as opções
Guias que põem o termo em prática
Termos de PDF explicados
- Camada de textoA camada de texto é a parte do PDF que guarda caracteres verdadeiros, para que os possa pesquisar, selecionar e copiar. Veja como as digitalizações a obtêm com OCR e como a confirmar.
- OCR (reconhecimento ótico de carateres)O OCR transforma a imagem de uma página em texto que pode ser pesquisado e copiado. Veja como funciona, o que influencia a precisão e porque é que um PDF digitalizado precisa dele.
Perguntas frequentes
- E se o PDF tiver texto de verdade e imagens?
- Extraia primeiro o texto real. Aplique o OCR apenas às páginas que são imagens, para não reconhecer um texto que já é exato.
- O OCR pode errar?
- Sim, principalmente com digitalizações borrados, fontes incomuns ou escrita à mão. Confira números e nomes com o original.
- Que ferramentas do AuraDoc tratam disto?
- PDF para texto lê o texto existente, OCR de PDF acrescenta uma camada de texto às páginas digitalizadas e Copiar texto de PDF digitalizado tira as palavras de um ficheiro só de imagem.