Como juntar escaneamentos em um PDF pesquisável
Transforme fotos ou escaneamentos em um PDF pesquisável em três passos com o OnCloudPDF: JPG para PDF cria um PDF a partir das suas imagens, Juntar PDF o une a outros PDF, se for preciso, e OCR PDF acrescenta uma camada de texto invisível em um de oito idiomas. O OCR roda no seu navegador, pode ser lento em arquivos longos, e a precisão depende de quão nítidos estão os escaneamentos.
Atualizado · Roda no seu navegador, sem envio de arquivos e sem conta
O que você vai montar e por que ajuda
A foto de uma página é só uma imagem: não dá para pesquisar, selecionar palavras nem copiar um parágrafo. Um PDF pesquisável mantém a imagem da página, mas acrescenta por cima uma camada invisível de texto reconhecido, de modo que Ctrl+F encontra palavras e você pode copiar o texto. A etapa que cria essa camada é o OCR, o reconhecimento óptico de caracteres.
Um caso típico é uma pilha de recibos, uma carta assinada fotografada com o celular ou algumas páginas de um livro. Você tem vários arquivos de imagem, talvez também um PDF de scanner, e quer um único documento fácil de guardar e de pesquisar. O fluxo abaixo faz isso sem instalar nenhum programa, e os arquivos ficam no seu navegador.
Passo 1: tire ou reúna boas imagens
A precisão do OCR começa na captura. O Tesseract, o motor que o OCR PDF usa, reconhece melhor escaneamentos nítidos, de alta resolução e no idioma certo; imagens borradas, tortas ou com pouco contraste geram mais erros. Bons hábitos ajudam mais do que qualquer ajuste:
- Fotografe a página plana, bem de cima, com luz uniforme e sem sombra sobre o texto.
- Encha o enquadramento com a página, para que as letras fiquem grandes e nítidas.
- Mantenha a página reta. As ferramentas não corrigem a inclinação, então uma página torta continua torta.
- Dê aos arquivos nomes que sigam a ordem de leitura, como pagina-01.jpg e pagina-02.jpg.
Passo 2: JPG para PDF
Selecione todas as imagens de uma vez em JPG para PDF. Os tipos aceitos são JPG/JPEG, PNG e GIF. Cada imagem vira uma página com o tamanho em pixels da imagem, e as páginas seguem a ordem em que os arquivos foram selecionados. Não há opção de tamanho de página nem de ajuste à página, e um GIF é redesenhado como JPEG usando só o primeiro quadro.
Dois pontos práticos. Primeiro, a ordem: esta ferramenta não tem etapa de reordenação, então, se uma página cair no lugar errado, corrija depois com Ordenar páginas de PDF no PDF pronto. Segundo, o tamanho: os arquivos JPEG e PNG são incorporados como estão, então o PDF fica do tamanho aproximado da soma das suas imagens. Fotos de celular são grandes, e um documento de 20 páginas pode pesar bastante. Se o tamanho importa, use Comprimir PDF no arquivo pronto, que reduz a resolução das imagens (defina um tamanho-alvo se precisar), ou reduza suas fotos antes deste passo.
Baixe o resultado, chamado images_combined.pdf.
Passo 3: Juntar, só se você tiver mais de um PDF
Se você também tem um PDF de scanner, ou fez vários lotes, use Juntar PDF. Selecione ou solte os arquivos, arraste as miniaturas para a ordem certa, clique em Juntar e baixe OnCloudPDF_merge.pdf. Todas as páginas de cada arquivo são unidas e copiadas sem alteração. Se você precisa de apenas algumas páginas de um arquivo, use antes Extrair páginas de PDF ou Excluir páginas de PDF. Um PDF criptografado não é desbloqueado por Juntar PDF.
Junte antes do OCR, não depois. Assim o reconhecimento roda uma só vez em um único arquivo, e o documento final tem uma camada de texto consistente.
Passo 4: execute o OCR
Abra OCR PDF, selecione o arquivo já unido, escolha o idioma do documento e clique em Executar OCR. A lista tem inglês, espanhol, francês, alemão, italiano, português, chinês (simplificado) e japonês, e você escolhe um idioma por execução. Um documento em dois idiomas é reconhecido só com o que você escolher, então as palavras do outro podem sair erradas.
Cada página é renderizada em escala 1,5x e reconhecida pelo Tesseract.js no seu navegador; as páginas de saída são refeitas a partir dessas imagens renderizadas, com uma camada de texto invisível e posicionada. Por isso, o texto original e o conteúdo vetorial do PDF não são preservados: até um PDF que já tinha texto de verdade vira uma imagem com uma camada de OCR. Use o OCR só em páginas que realmente são imagens.
Três limites práticos para saber antes de começar. A primeira execução baixa o motor Tesseract e os dados do idioma (não o seu arquivo) de uma CDN, então precisa de conexão com a internet; as execuções seguintes reutilizam os dados em cache. O processamento é feito página por página no seu dispositivo e pode ser lento em documentos longos, então mantenha a aba aberta e conte com a espera. E não há limite imposto de páginas nem de tamanho, então arquivos muito grandes são limitados pela memória do seu navegador.
Quando terminar, confira a pré-visualização do texto e teste o PDF: pesquise uma palavra que você sabe que está em uma página e copie um parágrafo para um editor de texto. Baixe o PDF pesquisável.
Uma observação sobre PDF para escaneado
PDF para escaneado vai na direção oposta. Pega um PDF comum e o faz parecer escaneado: cada página é renderizada como imagem, recebe um grão leve e uma tonalidade fraca de papel, e o resultado é salvo em um ZIP. Ele não executa OCR e não acrescenta camada de texto, então o resultado não é pesquisável. Não use a ferramenta antes do OCR em um documento que você quer pesquisar; se quiser o aspecto escaneado e também a camada de texto, use primeiro PDF para escaneado e depois OCR PDF no resultado.
Resumo do fluxo
| Passo | Ferramenta | Resultado | Limite real |
|---|---|---|---|
| Criar um PDF | JPG para PDF | images_combined.pdf | Só JPG, PNG e GIF; o tamanho da página é o da imagem; sem reordenar dentro da ferramenta |
| Unir arquivos | Juntar PDF | OnCloudPDF_merge.pdf | Todas as páginas de cada arquivo; arquivos criptografados não são desbloqueados |
| Corrigir a ordem das páginas | Ordenar páginas de PDF | seuarquivo_reordered.pdf | Mostra números de página, não miniaturas |
| Acrescentar a camada de texto | OCR PDF | PDF pesquisável | 8 idiomas, um por execução; lento em arquivos longos; precisa de internet na primeira execução |
| Conferir o texto | PDF para texto | Arquivo .txt simples | Junta os itens de texto de uma página em um só bloco; sem layout |
Quando outra ferramenta é a melhor escolha
O OCR PDF foi pensado para documentos ocasionais. Se você precisa de um idioma que não está na lista, de precisão muito alta em escaneamentos ruins, de tabelas reconhecidas como tabelas ou de lotes de centenas de páginas, um programa de OCR para computador ou um serviço em servidor normalmente se sairá melhor, com a troca em privacidade explicada em Ferramentas de PDF gratuitas comparadas. Para confirmar que seu PDF agora tem texto de verdade, Contar palavras de PDF indica 0 palavras em um PDF sem camada de texto e um número real depois que o OCR funcionou.
Perguntas frequentes
Quais idiomas o OCR PDF aceita?
Inglês, espanhol, francês, alemão, italiano, português, chinês (simplificado) e japonês. Você escolhe um idioma por execução.
O OCR envia meu documento para algum servidor?
Não. O reconhecimento roda no seu navegador. A primeira execução baixa o motor e os dados do idioma de uma CDN, que não são o seu arquivo, e as execuções seguintes usam os dados em cache.
Por que o OCR é tão lento?
Ele processa o documento página por página no seu próprio dispositivo, usando o Tesseract.js. Documentos longos levam mais tempo, e a velocidade depende do seu dispositivo.
O OCR mantém meu texto e minhas imagens originais?
As páginas de saída são refeitas a partir de imagens renderizadas em escala 1,5x, com uma camada de texto invisível por cima. O texto e o conteúdo vetorial originais não são preservados, então use o OCR em páginas que sejam só imagem.