Aplicar OCR em PDF

Um scanner produz uma fotografia. O PDF resultante parece um documento e se comporta como uma imagem: você enxerga as palavras e o seu computador não, porque o arquivo contém uma grade de pixels em vez de caracteres. Nada consegue pesquisá-lo, nenhum texto pode ser copiado dele, nenhum leitor de tela consegue lê-lo em voz alta e nenhum conversor consegue transformá-lo em um arquivo editável.

Essa lacuna pesa mais justamente nos arquivos em que ela é mais comum. Um armário de documentos digitalizado em PDF não é pesquisável, o que significa que achar uma nota entre quatro mil é trabalho manual. Contratos digitalizados para registro não podem ser conferidos em busca de uma cláusula. Artigos de pesquisa não podem ser citados sem redigitação.

O reconhecimento óptico de caracteres fecha essa lacuna. A imagem da página é analisada, as formas são reconhecidas como caracteres, e o texto resultante é gravado no PDF como uma camada invisível posicionada exatamente sobre as palavras de onde veio. A página fica idêntica e virou um documento.

Resolução, em primeiro lugar. Cerca de 300 DPI é o ponto ideal para texto — detalhe suficiente para distinguir letras parecidas sem gerar arquivos desnecessariamente grandes. Abaixo de uns 200 DPI a precisão despenca, porque os traços finos que separam um caractere de outro simplesmente deixam de ser capturados.

Depois, contraste e geometria. Texto preto limpo sobre branco é reconhecido muito melhor do que texto cinza sobre fundo colorido ou uma foto tirada de lado. A inclinação é corrigida automaticamente, assim como a rotação da página, e as duas correções ajudam bastante — o reconhecimento trabalha linha a linha, então uma página torta em alguns graus é muito mais difícil do que a mesma página endireitada.

O próprio conteúdo define o teto. Prosa comum em uma fonte padrão é o caso fácil. Tabelas densas, várias colunas, fontes decorativas, notação matemática e texto sobre imagens são todos mais difíceis. Escrita à mão é um problema genuinamente diferente, e o OCR comum não o resolve, por melhor que seja a digitalização.

O reconhecimento usa muito mais do que o formato das letras. Cada modelo de idioma traz um conjunto de caracteres, combinações de letras esperadas e padrões de palavras, e é tudo isso que resolve as ambiguidades que a forma sozinha não resolve — a diferença entre rn e m, entre 1 e l, entre O e 0 depende do que faria sentido na palavra em volta.

Escolher o idioma errado, portanto, degrada todas as linhas, e não só os caracteres acentuados. Um documento em português processado como inglês perde os acentos e os cedilhas e erra as palavras que o modelo inglês não espera; um documento em russo ou em chinês processado como inglês não produz nada aproveitável, já que os caracteres não estão no modelo.

Em documentos realmente bilíngues, escolha o idioma que carrega a maior parte do corpo do texto. Nomes, endereços e citações curtas em outro idioma costumam sobreviver; um documento meio a meio vai perder precisão de qualquer forma que você escolha.

A ordem importa mais do que parece. Aplique o OCR antes de comprimir, porque a compressão reamostra as imagens das páginas e imagens mais suaves são reconhecidas com menos confiabilidade — e a camada de texto em si quase não aumenta o tamanho do arquivo, então nada se perde nessa sequência.

OCR antes de converter, também. PDF para Word, PDF para Excel e PDF para Markdown precisam de texto para trabalhar; recebendo apenas imagens, só conseguem devolver imagens. Acrescentar a camada de texto antes é o que torna um resultado editável possível.

E OCR depois de ocultar, não antes, em qualquer documento que precise dos dois. A ocultação achata as páginas em que toca, o que destrói qualquer camada de texto nelas — aplicar OCR depois devolve a pesquisabilidade lendo apenas o que está visível agora, então o conteúdo ocultado continua ausente.