Ir para o conteúdo principal

OCR em PDF: torne o PDF escaneado pesquisável

Para fazer OCR em PDF, cada página escaneada é lida pelo Tesseract no seu aparelho e o texto entra invisível por cima da imagem: o PDF passa a aceitar busca e cópia sem mudar de aparência. O arquivo não é enviado a servidor nenhum, e a prévia marca as palavras de leitura duvidosa antes do download.

O arquivo não sai do seu aparelho

O PDF ou a foto

O texto lido

O texto lido de cada página aparece aqui, com as palavras duvidosas marcadas.

Tudo acontece nesta aba; o seu arquivo não muda, sai um PDF novo.

Como ler

Idioma do documento

Lê acentos e cedilha. Na primeira vez, baixa o modelo de português (1,4 MB).

Vazio lê todas (até 100 por vez); use vírgula e hífen para escolher.

Falta: o PDF ou a foto.

Sobre

O que o OCR faz com um PDF escaneado

Por QuorifyAtualizado em

Quando um scanner ou o celular gera um PDF, cada página entra como uma imagem. Abrir o arquivo mostra o texto, mas para o leitor de PDF não há letra nenhuma ali: a busca não acha a palavra, a seleção pega a página inteira como figura e um leitor de tela não tem o que ler. O OCR (reconhecimento óptico de caracteres) olha a imagem, separa linhas e palavras e diz qual texto está desenhado em cada pedaço.

O PDF pesquisável guarda esse texto num modo que a especificação do PDF (ISO 32000-1) chama de "nem preencher nem contornar": o modo de renderização 3, invisível. A imagem continua sendo o que aparece e o que sai na impressão; o texto fica embaixo dela, no lugar de cada palavra, e é ele que a busca acha e que a seleção copia. Por isso o arquivo não muda de aparência nem perde qualidade: a página original não é redesenhada nem recomprimida.

O reconhecimento aqui é o do Tesseract, o motor de OCR de código aberto que, a partir da versão 4, usa redes neurais LSTM, rodando no navegador em WebAssembly. Ele não lê PDF direto: cada página é desenhada pelo pdf.js a 300 dpi, a resolução a partir da qual a documentação do Tesseract diz que ele lê melhor, e é essa imagem que vai para a leitura. A precisão depende da folha: papel torto, sombra, carimbo por cima do texto e letra pequena digitalizada em baixa resolução são o que mais produz erro.

Casos

Quando a camada de texto faz falta

  1. Contrato ou escritura digitalizados em que você precisa achar uma cláusula pelo nome, sem ler as 40 páginas.

  2. Prova, apostila ou livro escaneados de onde você quer copiar um trecho para citar num trabalho.

  3. Boleto, nota fiscal ou comprovante fotografado pelo celular que precisa entrar num sistema que só aceita PDF com texto.

  4. Processo ou certidão em PDF de imagem que vai ser lido em voz alta por um leitor de tela.

Método

Da folha escaneada ao PDF pesquisável

  1. O arquivo é lido pelos primeiros bytes: PDF, JPG, PNG ou WebP. A foto vira uma página de PDF do tamanho que tinha no papel, pelo dpi gravado no arquivo (300 quando não há), e a foto do celular gravada deitada é posta em pé antes. As páginas que já têm texto digital (20 letras ou mais) ficam de fora, para não duplicar o texto; dá para ler de novo assim mesmo. A folha escaneada com um carimbo digital na margem, como o dos processos eletrônicos, continua indo para a leitura.
  2. Na primeira leitura, a aba baixa do próprio Quorify o motor do Tesseract (3,9 MB descompactado, menos na transferência) e o modelo do idioma: português 1,4 MB, inglês 3,0 MB. O modelo fica guardado no navegador para a próxima vez.
  3. Cada página é desenhada a 300 dpi, com até 5.000 pixels no lado maior e 16,8 milhões no total, o limite do canvas no Safari do iPhone; folha A3 ou maior é lida com um pouco menos, e o resultado diz qual. O Tesseract devolve cada palavra com a caixa em que ela está e a confiança da leitura, de 0 a 100.
  4. Cada palavra entra no PDF como texto invisível, no ponto em que a imagem a mostra e esticada até o comprimento dela, para que a seleção e o realce da busca caiam em cima da palavra.
  5. O PDF montado é aberto de novo e cada letra e número lido tem de sair dele: se faltar um, o arquivo não é entregue. A prévia marca as palavras com confiança abaixo de 60, as que vale conferir com a imagem.

O OCR não refaz a diagramação: tabela não vira tabela e coluna não vira caixa de texto. Para isso, passe o PDF pesquisável pelo PDF para Word ou pelo PDF para Excel, que leem o texto que a camada invisível acabou de criar. Folha digitalizada de lado precisa ser girada antes.

FAQ

Dúvidas sobre OCR em PDF

O que é OCR em PDF?
É ler as letras das páginas escaneadas e gravar esse texto dentro do PDF, invisível, por baixo da imagem. O arquivo continua igual na tela, mas passa a aceitar busca, seleção e cópia.
Como saber se o meu PDF já tem texto?
Tente selecionar uma palavra ou buscar com Ctrl+F: se nada é encontrado, a página é só imagem. Ao escolher o arquivo, a ferramenta conta as páginas que já têm texto (20 letras ou mais) e as deixa de fora. A folha escaneada com só um carimbo digital na margem não conta como texto.
Por que algumas palavras saem erradas?
O Tesseract erra quando a imagem é fraca: digitalização em baixa resolução, folha torta, sombra, papel manchado ou carimbo em cima do texto. As palavras de leitura duvidosa aparecem marcadas na prévia; refazer o scan a 300 dpi resolve a maior parte dos casos.
Dá para fazer OCR pelo Google Drive?
Dá: abrir o PDF com o Google Docs extrai o texto, mas a Ajuda do Drive limita o arquivo a 2 MB e o resultado é um documento do Google Docs. Aqui o PDF continua sendo o mesmo, agora pesquisável, e o texto também sai em .txt.
Qual o tamanho máximo do arquivo?
100 MB por arquivo e 100 páginas por leitura. Como cada página leva alguns segundos no aparelho, um documento grande pode ser lido em partes pelo campo Páginas; o botão Parar guarda o que já foi lido.
Fontes

PDF, Tesseract e a qualidade da leitura

  1. NormaISO 32000-1, 9.3.6Adobe

    O texto invisível dentro do PDF

    O modo de renderização 3 desenha o texto sem preencher nem contornar: ele existe para busca e seleção, mas não aparece.

    Consultar fonte oficial
  2. DocumentaçãoTesseract, documentaçãoTesseract OCR

    O motor de OCR

    Motor de código aberto sob licença Apache 2.0; desde a versão 4 usa redes neurais LSTM.

    Consultar fonte oficial
  3. DocumentaçãoImproving the quality of the outputTesseract OCR

    Resolução e qualidade da leitura

    O Tesseract lê melhor imagens com pelo menos 300 dpi; folha torta, ruído e bordas escuras pioram o resultado.

    Consultar fonte oficial
  4. Código abertotesseract.js no GitHubtesseract.js

    O Tesseract no navegador

    Porta do Tesseract para WebAssembly; não abre PDF, por isso a página é desenhada antes da leitura.

    Consultar fonte oficial
  5. Ajuda oficialAjuda do Google DriveGoogle

    O OCR do Google Docs

    Converte PDF e imagem em texto no Google Docs, com arquivo de até 2 MB.

    Consultar fonte oficial

Metodologia — tesseract.js 7.0.0 com o motor LSTM e os modelos tessdata best_int 4.0.0 (inteiros, a versão que o tesseract.js usa por padrão no modo LSTM), servidos do próprio site; página desenhada pelo pdf.js a 300 dpi, com no máximo 5.000 pixels no lado maior e 16.777.216 no total (o teto de canvas do Safari do iPhone), fundo branco e campos de formulário inclusos; página com 20 letras e números digitais ou mais conta como "já tem texto", salvo quando uma imagem cobre 50% da página ou mais e o texto digital tem menos de 400 letras (o carimbo de assinatura dos processos eletrônicos); foto pelo dpi do arquivo (pHYs do PNG, JFIF do JPEG; 300 sem ele) e pela orientação EXIF; palavra com confiança abaixo de 60 é marcada na prévia; no PDF, cada palavra é escrita em Helvetica no modo de renderização 3, com a linha de base no pé da caixa da palavra, a altura da linha como tamanho da letra (no máximo 1,6 vez a altura mediana das palavras dela, para a folha torta) e a largura ajustada pela escala horizontal (operador Tz); letra fora do alfabeto latino da Helvetica entra como "?" e é contada no resultado; conferido em 24/10/2026 com um recibo fotografado (lido inteiro, com acentos e o valor em R$) e lendo de volta o PDF montado. O arquivo (até 100 MB) e as imagens das páginas ficam na memória desta aba e saem dela só no download; o que a aba baixa é o motor e o modelo do idioma, de quorifyapp.com.br, e o modelo fica no armazenamento do navegador (IndexedDB) para a próxima leitura, até você limpar os dados do site; a senha do PDF não é guardada, e o PDF pesquisável sai sem ela.