Meu PDF é enviado para algum servidor?

Não. O reconhecimento roda no seu navegador e o documento não é enviado. Na primeira vez, o modelo do idioma é baixado deste site e fica guardado; depois disso, funciona também sem internet.

Como sei se meu PDF precisa de OCR?

Tente selecionar um trecho do texto. Se nada fica marcado, é um escaneado e precisa de OCR; se o texto se seleciona normalmente, o conversor de PDF para Word faz um trabalho melhor.

A diagramação é mantida?

Você recebe o texto na ordem de leitura, não uma reconstrução do layout da página. Colunas e tabelas saem como texto, não como estruturas formatadas.

OCR de PDF: extrair o texto de um PDF escaneado

Funciona no seu dispositivo · Seu arquivo nunca sai do seu dispositivo.

Um PDF escaneado é uma pilha de imagens — por isso selecionar ou pesquisar o texto não dá em nada, e convertê-lo para Word devolve um documento vazio. Aqui os caracteres de cada página são lidos da imagem e você recebe texto de verdade.

Cada página é primeiro desenhada em alta resolução e depois reconhecida, com o progresso mostrado página por página. Documentos longos levam um tempo: o reconhecimento trabalha de verdade no seu aparelho, em vez de esperar numa fila de servidor.

O português é lido com acentos, cedilha e til; inglês, árabe, documentos mistos em árabe e inglês e os outros idiomas da lista também. Em árabe, o texto mantém a direção da direita para a esquerda tanto na prévia quanto no Word.

Como OCR de PDF: extrair o texto de um PDF escaneado

Adicione um PDF escaneado — daqueles em que selecionar o texto não faz nada.
Escolha em «Idioma do texto» a língua em que o documento está escrito; para árabe e inglês na mesma página, escolha «Árabe + inglês».
Clique em «Extrair texto». Na primeira vez o modelo de reconhecimento é baixado e depois fica guardado.
Copie o texto ou baixe em TXT ou Word.

Formatos suportados e limites

Entrada: PDFs escaneados e fotos de páginas
Saída: Texto — copiar, TXT ou Word
Idiomas: 16 — português, inglês, espanhol, francês, alemão, russo, árabe, chinês (simplificado e tradicional), hindi, turco, hebraico, persa, urdu, indonésio e bengali — mais árabe + inglês misturados
Primeiro uso: Download único do modelo, depois guardado para uso sem internet
Onde roda: No seu navegador — o documento não é enviado

Não serve para: Letra de mão — o reconhecimento é confiável em texto impresso e bem menos em anotações à mão.

Como cada página é preparada para a leitura

Cada página é primeiro desenhada como imagem a 216 pontos por polegada, do jeito que um leitor de PDF a mostra, então uma página com configuração de rotação é lida de pé. Uma página cujo próprio escaneamento está deitado é lida como está e sai sem sentido; gire essas páginas antes com /rotate-pdf. Páginas muito grandes, a partir de mais ou menos A2, são desenhadas numa resolução menor para caber no que um navegador consegue guardar como uma imagem só.

Todas as páginas são lidas a partir da imagem, inclusive as que já têm texto de verdade. Num documento em parte digitado e em parte escaneado, as páginas digitadas saem exatas por /pdf-to-text, enquanto o reconhecimento pode errar um caractere.

Documentos longos

Cada página é desenhada, lida e descartada antes de a próxima ser desenhada, então um escaneado longo precisa de mais ou menos a memória de uma página só. A barra avança um pouco enquanto o motor de reconhecimento carrega e depois página por página, com o nome da página em leitura logo abaixo.

«Cancelar» para na página que está sendo lida e guarda o texto das páginas já terminadas: uma linha diz quantas de quantas foram feitas, e a cópia e os downloads em TXT e Word trazem essas páginas. Vários PDFs, e fotos de páginas, podem ser adicionados juntos e são lidos um depois do outro, num único trabalho.

O que você recebe

O resultado é texto, não um PDF novo: o arquivo escaneado continua sendo um conjunto de imagens. Quando mais de uma página é lida, o texto de cada uma começa com uma linha como --- scan.pdf — página 3 ---, escrita no idioma da página que você está usando, para você achar de onde veio cada trecho. O arquivo Word leva o nome do PDF como título, e cada página fica sob o próprio título, uma depois da outra, não em páginas separadas.

Nesta página, a lista «Idioma do texto» começa em «Português». Se o documento estiver em outro idioma, escolha-o na lista antes de clicar em «Extrair texto».

Perguntas frequentes

Meu PDF é enviado para algum servidor?: Não. O reconhecimento roda no seu navegador e o documento não é enviado. Na primeira vez, o modelo do idioma é baixado deste site e fica guardado; depois disso, funciona também sem internet.
Como sei se meu PDF precisa de OCR?: Tente selecionar um trecho do texto. Se nada fica marcado, é um escaneado e precisa de OCR; se o texto se seleciona normalmente, o conversor de PDF para Word faz um trabalho melhor.
A diagramação é mantida?: Você recebe o texto na ordem de leitura, não uma reconstrução do layout da página. Colunas e tabelas saem como texto, não como estruturas formatadas.

Ferramentas relacionadas

Mais em Texto e documentos

Esta página em outros idiomas: English · العربية · Deutsch · Français · Español · Русский · 中文 · हिन्दी · Türkçe · עברית · فارسی · اردو · Bahasa Indonesia · বাংলা