Como converter um PDF digitalizado para Word, e por que os resultados variam

Dois PDFs podem parecer idênticos na tela e se comportar de formas completamente diferentes quando você os converte para Word. Um foi salvo a partir de um editor de texto e contém texto de verdade. O outro foi feito por um scanner ou pela câmera de um celular, e cada página é uma fotografia de um texto. Para transformar o segundo tipo em um documento editável, o conversor precisa primeiro ler as letras na imagem e depois adivinhar como a página foi montada. As duas etapas podem dar errado, e este guia explica onde, por quê e o que você pode fazer a respeito.

Como saber se o seu PDF é digitalizado

O teste mais rápido é tentar selecionar uma única palavra. Se o cursor desenhar uma caixa sobre a página inteira em vez de destacar a palavra, a página é uma imagem. Pesquisar com Ctrl+F (Cmd+F em um Mac) é o segundo teste: em uma página digitalizada, a busca não encontra nada, nem uma palavra que você está vendo.

Dar zoom também ajuda. O texto de verdade continua nítido em qualquer zoom, porque é desenhado a partir de uma fonte. O texto digitalizado fica borrado e quadriculado com o zoom, porque é feito de pixels.

Algumas digitalizações são uma mistura. O programa do scanner muitas vezes faz o reconhecimento de texto ao salvar o arquivo e esconde o texto reconhecido atrás da imagem, para que você possa selecionar e pesquisar. Mas esse texto escondido só é tão bom quanto o palpite do scanner. Copie um parágrafo para um editor de texto simples e você vai ver exatamente o que está lá, incluindo os erros de leitura.

O que o OCR realmente faz

O OCR, reconhecimento óptico de caracteres, é o processo que transforma a imagem de um texto em caracteres. Ele funciona em etapas. A imagem é limpa: endireitada, se estiver torta, e com o contraste ajustado. Depois, o programa encontra as regiões que contêm texto, divide-as em linhas e palavras e compara cada forma com o que aprendeu sobre a aparência das letras, usando um dicionário do idioma para resolver os casos duvidosos.

O dicionário é importante, porque só consegue ajudar com palavras. Se o OCR ler “lmposto” com um L minúsculo, o dicionário o corrige para “imposto”. Se ler um número de conta como 1O45 em vez de 1045, não há nada com que compará-lo. As confusões mais comuns são entre caracteres que se parecem em muitas fontes: 0 e O, 1, l e I, 5 e S, 8 e B, e o par “rn”, que pode virar “m”. É por isso que números, nomes e códigos são onde os erros de OCR se escondem, e por que merecem a conferência mais cuidadosa.

Por que os resultados variam tanto de uma digitalização para outra

O mesmo conversor pode gerar um texto quase perfeito a partir de uma digitalização e uma bagunça a partir de outra. A diferença quase sempre está na imagem:

Resolução. 300 DPI é a recomendação habitual para digitalizar documentos para OCR. Abaixo de uns 200 DPI, as letras pequenas perdem o detalhe que separa letras parecidas. Letras muito miúdas, como notas de rodapé e termos no verso de um formulário, se beneficiam de 400 DPI ou mais.
Ângulo e curvatura. Uma página fotografada em ângulo, ou uma página de livro que se curva em direção à lombada, gera linhas de texto que não são retas. Endireitar ajuda, mas as linhas curvas muitas vezes saem com palavras omitidas ou grudadas.
Contraste e fundo. Papel colorido, marca-texto, carimbos sobre o texto e cópias apagadas de cópias tornam mais difícil separar as letras do que está por trás delas.
Compressão pesada. Uma digitalização salva em JPEG de baixa qualidade tem bordas borradas e manchas em volta de cada letra. Uma imagem em preto e branco com qualidade de fax quebra os traços finos.
Letra de mão. O OCR usado na conversão de documentos foi feito para texto impresso. Anotações e assinaturas à mão costumam sair erradas ou ficar como imagens.
Idioma e layout. O reconhecimento é treinado por sistema de escrita e por idioma, então escritas menos comuns e páginas com vários idiomas são mais difíceis. Várias colunas, tabelas sem linhas e texto sobre imagens tornam a etapa do layout ainda mais difícil.

Por que o arquivo do Word pode ficar diferente mesmo quando o texto está certo

Reconhecer os caracteres é só metade do trabalho. O conversor também precisa reconstruir a página como algo que o Word entenda, e enfrenta uma troca. Ele pode escrever o texto como parágrafos corridos normais, que são fáceis de editar, mas se afastam do layout original. Ou pode fixar cada bloco de texto na posição exata, o que fica com a aparência certa, mas é incômodo de editar, porque digitar em um bloco não empurra o próximo para baixo.

Outras diferenças vêm de informações que a digitalização simplesmente não contém. O OCR não tem como saber qual fonte foi usada, então o Word recebe uma parecida, e as quebras de linha mudam. Uma tabela com linhas de grade pode ser reconstruída como tabela do Word, mas uma tabela sem linhas pode chegar como texto separado por tabulações ou espaços. Cabeçalhos, rodapés e números de página podem parar no corpo do documento, e logotipos, carimbos e assinaturas ficam como imagens.

Como converter uma digitalização com o PDF para Word

Nossa ferramenta PDF para Word aplica o OCR automaticamente nas páginas que precisam dele, então uma digitalização volta como um .docx com texto editável, e as páginas que já contêm texto são convertidas diretamente. O arquivo é enviado a um provedor de conversão de documentos, que declara excluir o arquivo e o resultado em até três horas. Não há limite de tamanho definido, mas o envio precisa terminar em cerca de 40 segundos, então uma digitalização muito grande exige uma conexão rápida. Um PDF que precisa de senha para abrir tem de ser desbloqueado antes.

Vale a pena fazer algumas coisas antes de converter:

Coloque na posição certa as páginas de lado ou de cabeça para baixo e remova as páginas em branco. O Organizador de arquivos faz as duas coisas sem enviar o arquivo.
Se você mesmo for digitalizar o papel, use 300 DPI em tons de cinza ou em cores, e não o modo preto e branco do scanner, que pode quebrar letras finas antes mesmo de o OCR vê-las.
Se você só precisa de algumas páginas, converta só essas. Depois, há menos para conferir.

O que conferir antes de confiar no resultado

O OCR comete erros na maioria das digitalizações reais e não avisa quando comete. Antes de enviar ou arquivar o documento convertido, confira:

Todo número que importa. Totais, datas, valores, números de conta e de referência, números de telefone. Compare-os com a digitalização, e não com o que parece plausível.
Nomes e endereços. Eles raramente estão em um dicionário, então nada os corrige.
Palavras que o corretor ortográfico sublinha. Os sublinhados vermelhos se concentram onde o OCR errou, o que faz da verificação ortográfica do Word um detector aproximado de erros.
Letras miúdas e margens. Notas de rodapé, carimbos e anotações na margem são os textos que mais ficam completamente de fora.
Tabelas. Garanta que cada valor esteja na linha e na coluna certas.

O que não funciona bem

Alguns documentos vão decepcionar qualquer conversor. Formulários preenchidos à mão, faxes, capturas de tela de documentos feitas na resolução da tela e texto que faz parte de uma foto ou de um diagrama normalmente precisam ser digitados de novo onde importam.

Duas das nossas outras ferramentas não leem digitalizações. O PDF para Excel só lê o texto que já está no PDF, então não consegue extrair uma tabela de uma página digitalizada. O Traduzir documento recusa PDFs digitalizados pelo mesmo motivo. Nos dois casos, você pode converter a digitalização com o PDF para Word primeiro, conferir o texto e trabalhar a partir do arquivo do Word: copiar uma tabela para o Excel ou traduzir o .docx.

Conclusão

Converter um PDF digitalizado para Word são dois palpites seguidos: quais são as letras e como a página foi montada. Uma digitalização nítida, reta e a 300 DPI facilita os dois palpites, e uma conferência cuidadosa de números e nomes pega o que o OCR erra. Trate o resultado como um primeiro rascunho do texto, e não como uma cópia do original, e você raramente será pego de surpresa.

Tem uma digitalização para transformar em texto? Experimente o conversor de PDF para Word.

← Voltar ao blog