PDF escaneado ou com texto? Como saber e por que isso importa

Os dois tipos de PDF

Por fora, os dois parecem iguais. Por dentro, são bem diferentes:

• PDF digital (nativo): gerado por um programa, como Word, sistema do banco ou emissor de nota fiscal. As letras são texto de verdade: dá para selecionar, copiar, buscar com Ctrl+F e o arquivo costuma ser leve.
• PDF escaneado (imagem): criado a partir de um scanner ou de fotos. Cada página é uma figura. O computador "vê" pixels, não letras.

Existe ainda um terceiro tipo, o escaneado com OCR: a imagem continua lá, mas tem por trás uma camada de texto invisível que permite buscar e copiar.

Três testes que levam 10 segundos

1. Selecionar: clique e arraste sobre uma frase. Se as letras ficam marcadas de azul, uma a uma, há texto. Se aparece um retângulo sobre a página inteira, ou nada acontece, é imagem.
2. Buscar: aperte Ctrl+F (no Mac, Cmd+F) e procure uma palavra que você está vendo. Nenhum resultado indica imagem sem OCR.
3. Ampliar: dê bastante zoom. Texto digital continua nítido em qualquer ampliação; página escaneada fica serrilhada e mostra manchas do papel.

No celular, o teste é tocar e segurar sobre uma palavra: se aparecer a opção de copiar com as alças de seleção, há texto.

Por que isso importa

• Copiar e converter: conversores para Word ou Excel precisam de texto. Num escaneado, eles devolvem só imagens. É a causa número um de "converti e veio tudo em figura".
• Buscar: num processo de 300 páginas escaneadas, achar um nome sem OCR significa ler tudo.
• Tamanho: escaneados pesam muito mais. Um contrato de 10 páginas digital tem poucas centenas de KB; escaneado em cor pode passar de 10 MB. A compressão funciona melhor neles porque reduz as imagens.
• Acessibilidade: leitores de tela, usados por pessoas cegas, não conseguem ler PDF que é só imagem.
• Sistemas oficiais: alguns sistemas de envio de documentos pedem PDF pesquisável. Confira a orientação de quem vai receber.

Como transformar escaneado em pesquisável

1. Abra o OCR de PDF e selecione o arquivo escaneado (ou as fotos das páginas).
2. Escolha o idioma do documento e o que gerar: PDF pesquisável, texto ou os dois.
3. Clique em Reconhecer texto. Na primeira vez, o modelo de idioma é baixado e fica salvo no navegador.
4. Baixe o resultado e faça de novo o teste de busca.

Se o PDF já é digital e você só quer o conteúdo em texto puro, sem formatação, use PDF para texto, que é instantâneo. E se o problema é o tamanho do escaneado, o Comprimir PDF reduz as imagens das páginas.

Dicas para um OCR melhor

• Digitalize com boa luz, papel reto e sem sombra da mão ou do celular.
• Documentos tortos ou com fundo cinza dão mais erros. Endireitar e clarear antes ajuda bastante.
• Revise números, CPFs e valores: são os erros mais caros e o reconhecimento confunde 0 com O e 1 com l.
• Manuscritos e letras muito pequenas têm reconhecimento ruim em qualquer ferramenta.

E quando o PDF digital se comporta como imagem?

Às vezes o teste de seleção funciona, mas o texto copiado sai como uma sequência de símbolos sem sentido. Isso acontece quando o programa que gerou o PDF embutiu as fontes com uma codificação própria: as letras aparecem certas na tela, mas o computador não sabe a que caractere cada desenho corresponde.

Na prática, esse arquivo deve ser tratado como escaneado. Passe-o pelo OCR, que lê o desenho das letras como um ser humano leria, e trabalhe com o texto reconhecido. O mesmo vale para PDFs que foram "impressos como imagem" por algum sistema para evitar cópia.

Perguntas frequentes