Limpar e aplicar OCR a um PDF digitalizado
Remover páginas em branco, melhorar as cores, executar OCR e descarregar o PDF pesquisável.
Para que serve este modelo?
Remover páginas em branco, melhorar as cores, executar OCR e descarregar o PDF pesquisável.
O modelo torna um documento digitalizado limpo e pesquisável: retira as páginas em branco, reforça o contraste e executa o reconhecimento de texto (OCR), que acrescenta uma camada de texto invisível por baixo da imagem. Depois pode pesquisar, copiar ou indexar o conteúdo.
Etapas da Pipeline
Este modelo encadeia automaticamente 5 etapas no Workspace. Pode rever cada definição antes da execução.
- 1Importar um PDF
- 2Remover páginas em branco
- 3Ajustar contraste e cores
- 4OCR de PDF
- 5Transferir o PDF
Porque é que os passos estão nesta ordem
As páginas em branco são retiradas antes do OCR, para não analisar páginas vazias. O contraste é reforçado antes do reconhecimento, porque um texto mais nítido é lido com mais precisão.
Quando utilizar este modelo?
- Tornar pesquisáveis por palavra-chave faturas ou contratos digitalizados.
- Copiar um excerto de um documento em papel digitalizado sem o voltar a escrever.
- Preparar arquivos digitalizados antes de os classificar.
Processamento local no navegador
Quando os módulos utilizados suportam processamento local, os seus ficheiros permanecem no dispositivo durante a execução.
Definições a verificar
- Língua do OCR: francês por defeito, inglês, espanhol, alemão, italiano, português ou francês + inglês; escolha a língua do seu documento.
- Resolução de análise: escala 1,8 por defeito (cerca de 130 ppp); aumente-a para letra pequena.
- Contraste: reforçado com um valor fixo (+20), sem opção neste modelo.
Exemplo
- Antes
- Fatura digitalizada com 3 páginas, sem texto selecionável.
- Depois
- PDF com 3 páginas no qual pode pesquisar «Total» ou o número da fatura.
Limites a conhecer
- O reconhecimento pode enganar-se numa digitalização desfocada, inclinada ou manuscrita: verifique montantes e nomes.
- Escolha a língua certa: um documento em português analisado como francês dá mais erros.
- O OCR é a parte mais demorada: conte com vários segundos por página no navegador.