PDF digitalizado para texto

Como funciona

Um PDF digitalizado parece um documento e se comporta como uma fotografia: você não consegue selecionar o texto, pesquisá-lo nem copiá-lo, porque não há texto nenhum no arquivo — apenas imagens de um texto. A extração comum não retorna nada, e é exatamente aí que esta é a ferramenta certa.

Como funciona

Cada página é renderizada como imagem e passa por reconhecimento óptico de caracteres na própria página. Nada é enviado; o mecanismo de reconhecimento e seus dados em inglês são baixados uma vez de uma CDN pública e guardados em cache pelo seu navegador.

Use primeiro o extrator simples

Se o PDF já contém texto de verdade, a ferramenta comum de extração de texto de PDF é instantânea e perfeitamente precisa, porque lê o texto em vez de tentar adivinhar imagens dele. Venha para cá apenas quando aquela não retornar nada.

O limite de páginas é proposital

O reconhecimento leva um tempo real por página no seu próprio dispositivo — vários segundos cada. O padrão de cinco páginas mantém uma primeira tentativa rápida; aumente-o quando souber que a qualidade é boa o bastante para valer a espera.

O que afeta a precisão

Resolução, alinhamento e contraste, nessa ordem. Uma digitalização limpa de 300 dpi de texto impresso é lida muito bem. Uma foto de página tirada em ângulo, um fax fraco ou uma digitalização de baixa resolução produzirão erros ou nada. Renderizar a 300 dpi ajuda, mas não salva um original ruim.