OCR em PDF

Digitalizações que dá para pesquisar

Um PDF feito por scanner ou por aplicativo de digitalização do celular é só um conjunto de fotos de páginas: não dá para pesquisar, selecionar uma frase ou copiar um número. Esta ferramenta lê cada página com OCR e acrescenta as palavras reconhecidas como uma camada invisível exatamente sobre as impressas. As páginas ficam idênticas, mas agora o Ctrl+F encontra palavras, você seleciona e copia texto, e ferramentas de busca conseguem indexar o arquivo.

• Idioma: escolha o idioma do documento para acentos e letras especiais serem lidos certo.
• Páginas: deixe vazio para o documento todo ou liste páginas como 1-3.

Páginas que já têm texto ficam intactas, então documentos mistos são tratados corretamente. As imagens originais não são recomprimidas: qualidade e aparência não mudam, e o arquivo cresce só pelo texto.

Por que no aparelho importa aqui

PDFs digitalizados costumam ser contratos, documentos de identidade, exames ou papéis de imposto. Aqui eles são lidos pelo seu próprio navegador com o motor de código aberto Tesseract e nunca são enviados.

Num Web Worker, cada página sem texto é desenhada em 300 dpi pelo PDF.js e lida pelo Tesseract, que devolve cada palavra com sua posição. As palavras são então gravadas no PDF original com o pdf-lib como texto totalmente transparente, dimensionado e posicionado sobre as palavras impressas, de modo que selecionar texto destaca os lugares certos. O conteúdo da página não é modificado.