Ir para o conteúdo principal
Bethemesh
PDF e documentos

OCR PDF

Renderize as páginas digitalizadas como imagens, aplique OCR e obtenha um PDF pesquisável juntamente com o texto reconhecido.

  • Exportar
Automatizar

Integrar este widget

Personalize o resultado, verifique a pré-visualização e copie o código.

Pré-visualização

Tipo de código de integração

Código a copiar

Responsivo e redimensionado automaticamente pela Bethemesh.

Os seus ficheiros são processados localmente no navegador e nunca são enviados para os nossos servidores.

Largue o seu ficheiro aqui

Tamanho recomendado: até 100 MB

O documento permanece no navegador. O motor OCR e os dados linguísticos são carregados a pedido.

Esta ferramenta foi útil?

Como funciona esta ferramenta?

O OCR (reconhecimento ótico de caracteres) lê o texto presente nas imagens de um PDF digitalizado ou fotografado. A ferramenta produz dois resultados: um PDF pesquisável, no qual pode selecionar, copiar e procurar palavras, e um ficheiro de texto simples. As páginas são analisadas no seu navegador pelo motor de código aberto Tesseract; o documento em si não é enviado para lado nenhum.

Cada página é primeiro desenhada como imagem na qualidade escolhida: Rápida (escala 1,4, cerca de 100 ppp), Equilibrada (1,8, cerca de 130 ppp) ou Alta (2,2, cerca de 158 ppp). O Tesseract localiza as palavras, a sua posição e orientação com a língua indicada: francês, inglês, espanhol, alemão, italiano, português ou francês e inglês combinados.

O PDF pesquisável mantém cada página como imagem e coloca as palavras reconhecidas numa camada de texto invisível exatamente por cima. No ecrã, o documento parece a digitalização original; no leitor, a pesquisa e a seleção funcionam. O ficheiro de texto reúne o texto reconhecido página a página, precedido de marcas --- Page n ---.

Na primeira utilização, o motor Tesseract e os dados da língua escolhida são descarregados de uma rede de distribuição de conteúdos (jsDelivr), pelo que é necessária ligação à internet. As suas páginas ficam no dispositivo. Durante o reconhecimento, o progresso é apresentado em percentagem.

Como usar esta ferramenta

  1. Importe o PDF digitalizado

    Escolha o documento cujo texto não é selecionável.

  2. Defina a língua e a qualidade

    Indique a língua do documento e escolha Equilibrada, ou Alta para letra pequena.

  3. Execute o OCR e descarregue

    No fim, descarregue o PDF pesquisável, o texto simples ou ambos através dos botões disponíveis.

Casos de uso

Tornar uma digitalização pesquisável

Encontre um nome ou um valor num contrato ou numa fatura digitalizados com Ctrl+F.

Obter o texto da fotografia de um documento

Copie o conteúdo de uma carta fotografada para o citar ou reformular.

Preparar uma conversão

Acrescente uma camada de texto antes de converter o PDF para Markdown, HTML ou CSV.

Exemplos

Uma página A4 em qualidade Equilibrada

A página é analisada como imagem de 1072 × 1515 píxeis (escala 1,8). No PDF obtido, procurar o número da fatura realça o sítio certo da imagem, porque cada palavra reconhecida é colocada na sua posição original.

Entrada

Fatura digitalizada de uma página A4, língua Português, qualidade Equilibrada

Resultado

fatura-ocr.pdf pesquisável e fatura-ocr.txt a começar por «--- Page 1 ---»

Dicas e boas práticas

  • Uma digitalização nítida, direita e bem contrastada dá resultados muito melhores; ajuste primeiro o contraste se a página estiver pálida.
  • Escolha a língua real do documento: os acentos e as palavras frequentes são mais bem reconhecidos.
  • Reveja os números importantes (valores, IBAN, datas): o OCR pode confundir 0 e O, 1 e l.
  • Retire primeiro as páginas em branco de uma digitalização longa para ganhar tempo.

Perguntas frequentes

O meu PDF é enviado para um servidor?

Não. As páginas são apresentadas e reconhecidas no seu navegador. Só o motor Tesseract e o ficheiro da língua são descarregados do jsDelivr na primeira utilização.

O PDF pesquisável mantém o texto original se o meu documento já o tinha?

Não. Cada página é substituída pela sua imagem e a nova camada de texto vem do OCR. Não use a ferramenta num PDF cujo texto já seja selecionável.

Porque é que o ficheiro obtido é mais pesado?

Porque cada página passa a ser uma imagem PNG na resolução escolhida. A qualidade Rápida dá um ficheiro mais leve, à custa de um reconhecimento menos fiável em letra pequena.

Que línguas são reconhecidas?

Francês, inglês, espanhol, alemão, italiano e português, além de uma combinação francês + inglês para documentos mistos.

O reconhecimento é 100 % exato?

Não. Depende da nitidez, do tipo de letra e da paginação; tabelas, letra manuscrita e digitalizações desfocadas produzem mais erros.

Quanto tempo demora?

Alguns segundos por página num computador recente, mais em qualidade Alta ou no telemóvel. O progresso é indicado em percentagem.

Ferramentas relacionadas

Continue com estas ferramentas

Ferramentas semelhantes ou complementares a esta.

Funciona bem com

PDF para Markdown

Extraia o texto selecionável de um PDF e converta-o para Markdown localmente, sem OCR nem envio do documento.

PDF e documentosUtilizar esta ferramenta

Leia também