Tornar um PDF digitalizado pesquisável

Uma camada invisível sobre uma página inalterada

A digitalização é mantida exatamente como estava. O que se acrescenta é uma camada de texto desenhada em um modo de renderização invisível — caracteres de verdade, posicionados palavra por palavra sobre as palavras da imagem, marcados para nunca serem pintados. A página parece idêntica porque, visualmente, nada mudou; selecione uma frase e o destaque cai nas palavras certas, porque o texto invisível está onde está a tinta visível. É assim que uma digitalização pesquisável é feita normalmente, e é por isso que o resultado pode ser pesquisado, copiado e indexado, mesmo continuando a ser a fotografia de um documento.

Duas coisas na página são corrigidas de propósito, porque a leitura precisava delas de qualquer jeito. Uma página digitalizada de lado é colocada em pé, e uma página que passou torta pelo alimentador é endireitada — então o resultado muitas vezes fica mais arrumado do que o original. Os tamanhos de página do PDF original são mantidos, sem padronização, então um documento com páginas de tamanhos diferentes continua assim e nada é redimensionado.

A precisão depende quase inteiramente da digitalização, e a diferença é grande. Uma digitalização limpa de texto impresso a 300 DPI é lida com precisão muito alta; a mesma página a 150 DPI é lida visivelmente pior; uma foto tirada em ângulo e com pouca luz é outra história. Se você controla a digitalização, 300 DPI em tons de cinza é a configuração que importa — mais resolução que isso raramente ajuda, e menos atrapalha na hora. Letras pequenas, espaçamento apertado entre linhas, fundos coloridos, cópias de cópias e qualquer coisa carimbada ou escrita à mão são mais difíceis de maneiras que nenhum software resolve por completo.

O que fica de fora de propósito é tão importante quanto o que entra. Fotos, logotipos, assinaturas e elementos decorativos são ignorados em vez de lidos, porque forçar letras a sair de uma imagem produz um absurdo plausível que depois aparece em toda busca. Palavras em chinês, japonês e coreano são reconhecidas, mas ficam de fora da camada de texto e são contadas para você, em vez de gravadas em branco, até que seja incluída uma fonte capaz de contê-las. Nada aqui recompõe o documento: as palavras na página continuam sendo uma imagem, e converter em Word é a ferramenta para transformá-las em texto editável.

Quando você precisa de outra coisa

O OCRmyPDF é a ferramenta ao lado da qual esta página é só uma conveniência, e ele é gratuito. ocrmypdf --deskew --rotate-pages in.pdf out.pdf faz o mesmo trabalho com mais controle, aceita --optimize 3 para reduzir o resultado, --redo-ocr para substituir uma camada existente ruim e --output-type pdfa para gerar um arquivo de arquivamento na mesma passada. Ele processa milhares de páginas, roda monitorando uma pasta e é o que bibliotecas e arquivos de documentos usam de fato.

Para material difícil — impressos históricos, layouts incomuns, tabelas pesadas — um serviço hospedado do Google, da Amazon ou da Microsoft lê páginas que o reconhecimento genérico não consegue, porque é treinado com muito mais material. É uma diferença real de capacidade, e vale conhecer. Também significa enviar seus documentos a terceiros, que é exatamente a troca que esta página existe para evitar — então é a escolha certa para um livro antigo e frágil, e a errada para uma caixa de prontuários médicos.