Fazer OCR de um PDF
Uma ferramenta grátis que lê o texto de PDFs digitalizados com OCR (reconhecimento óptico de caracteres) e os converte em PDFs pesquisáveis. O texto lido é adicionado às páginas como texto invisível, então as páginas ficam iguais. Seu PDF é processado no navegador e nunca é enviado. Dá para ler até 200 páginas de cada vez (30 páginas em dispositivos em que o processamento demora mais). Dá para abrir PDFs de até 200 MB por arquivo (100 MB em celulares e tablets).
A primeira execução só baixa um modelo de IA (cerca de 17 MB) deste site quando o PDF tem páginas cujo texto é uma imagem; nas próximas, é usada a cópia guardada no seu navegador. Seus PDFs nunca são enviados.
Configurações
Como usar
- 1
Adicione os PDFs
Escolha ou solte os PDFs que você quer ler. Dá para adicionar vários PDFs de uma vez. Seus PDFs nunca são enviados.
- 2
Escolha o idioma do documento
Em “Idioma do documento”, escolha o idioma em que o PDF está escrito. Para ler só algumas páginas, digite-as em “Intervalo de páginas”.
- 3
Leia e salve
Clique em “Executar” para ler as páginas cujo texto é uma imagem e criar um PDF com camada de texto. Salve-o com “Salvar” e confira as linhas reconhecidas em “Conferir o texto reconhecido”.
Sobre OCR em PDFs
O texto é lido com o modelo de reconhecimento de texto do PaddleOCR (PP-OCRv6, Apache-2.0), que roda dentro do seu navegador. Só quando um PDF tem páginas em que o texto é uma imagem, o modelo de IA (cerca de 17 MB) é baixado deste site na primeira vez; nas próximas, é usada a cópia guardada no seu navegador. Em dispositivos que não podem usar a GPU (WebGPU), o processamento roda na CPU e demora mais do que na GPU. Depois de ler a primeira página, a ferramenta estima o tempo total a partir de quanto essa página levou no seu dispositivo e mostra a estimativa. O texto invisível usa uma fonte feita a partir da GlyphLessFont do Tesseract (Apache-2.0).
Páginas que já têm dados de texto e páginas que já têm uma camada de texto de OCR não são lidas e continuam como estão. Em páginas que misturam dados de texto e imagens, só as partes que não se sobrepõem aos dados de texto são lidas. Páginas cujos dados de texto estão corrompidos (ao selecionar o texto, aparecem outros caracteres) não recebem camada de texto. Escolher japonês em “Idioma do documento” limita o reconhecimento aos caracteres usados em documentos em japonês, e escolher coreano usa um modelo para coreano (cerca de 13 MB, que não lê caracteres chineses). Clique em “Conferir o texto reconhecido” para ver as linhas reconhecidas marcadas com um quadro na página, com as linhas mais propensas a erros em outra cor.
Especificações desta ferramenta
- Entrada
- Saída
- Limites
- Sem limite de quantidade de arquivos (processamento em lote). Até 200 MB por arquivo (100 MB em celulares e tablets). Até 200 páginas lidas por vez (30 páginas em dispositivos que processam na CPU)
- Grátis, sem cadastro, sem aplicativo para instalar
- Os arquivos nunca são enviados (processados no navegador)
Perguntas frequentes
Meu PDF é enviado a um servidor?
Não. Abrir o PDF, ler o texto e salvar acontece no navegador do seu dispositivo. Estatísticas que nos ajudam a corrigir erros (a faixa de número de páginas, as faixas de quantas páginas e linhas foram lidas, a faixa do tempo por página, tipos de erro etc.) são enviadas ao servidor deste site. Elas não incluem o conteúdo do PDF, o texto reconhecido, nomes de arquivos, senhas nem os intervalos de páginas que você digita. Você pode desativar as estatísticas pela chave “Enviar estatísticas de processamento”, no fim da página.
Ele lê um PDF protegido por senha ou com restrições do autor?
Sim. Um PDF protegido por senha abre assim que você informa a senha de abertura. Se o autor restringiu a alteração do conteúdo ou a cópia e a extração, a ferramenta não lê o PDF até você informar a senha de permissões (adicionar uma camada de texto tornaria extraível o texto restrito). Esta ferramenta não tenta adivinhar senhas; se você não sabe a senha de permissões, peça a quem criou o PDF. A criptografia do PDF original continua como está no PDF salvo. Se o PDF tiver assinatura digital, a assinatura deixa de ser válida no PDF salvo.
Ele lê texto vertical ou manuscrito?
Ele foi feito para texto impresso na horizontal. Também lê páginas com texto vertical, mas com mais erros do que no texto horizontal, e pode deixar de ler a pontuação. Texto manuscrito não é suportado.
O texto reconhecido pode ter erros?
Sim. Dependendo do tamanho do texto, da resolução da digitalização e de manchas ou inclinação no papel, alguns caracteres podem ser lidos errado ou ficar de fora. Números muito espaçados em tabelas são lidos errado com mais frequência que o resto do texto. Quando “Japonês” é escolhido como idioma do documento, caracteres fora dos conjuntos de kanji JIS de nível 1 e 2 e emojis podem ser lidos como caracteres parecidos. Antes de usar o PDF salvo, confira com “Conferir o texto reconhecido” as linhas mais propensas a erros. Esta ferramenta não pode corrigir o texto reconhecido.
Ajude a melhorar o serviço
Se uma conversão falhar, enviar as circunstâncias nos ajuda a encontrar a causa. Saber em quais dispositivos e formatos as falhas são mais frequentes, e quanto tempo o processamento leva, nos permite rever os formatos compatíveis e corrigir os bugs por trás dessas falhas. Se você não se importar, deixar esta opção ativada ajuda muito.
O que é enviado
- A ferramenta que você usou e as configurações escolhidas (formato de saída, qualidade etc.)
- As especificações do seu dispositivo (GPU, memória, número de núcleos)
- O formato de entrada e o tamanho aproximado
- Quantos arquivos deram certo ou falharam e quanto tempo levou
- O tipo e os detalhes do erro quando algo falha
O que nunca é enviado
- Os próprios arquivos e os nomes de arquivo
- O texto dos PDFs, o texto que você reescreveu ou tarjou, as senhas, os nomes de fontes e os intervalos de páginas que você digita
- O texto reconhecido e as posições das linhas reconhecidas
- Endereços IP
Os dados vão apenas para o servidor deste próprio site, nunca para um serviço de terceiros.
Para a lista completa, incluindo os detalhes que cada ferramenta envia, veja “Estatísticas de processamento” na política de privacidade.
Detalhes enviados por esta ferramenta (apenas contagens, tempos, tipos e sim/não)
Além do que está em “O que é enviado”, esta ferramenta envia os detalhes a seguir.
- Ferramentas de PDF (todas)
- A faixa do número de páginas, se a edição é restrita, se uma senha de permissões foi digitada e se o PDF tem assinatura digital ou criptografia.
- OCR de PDF
- Os números de entradas e saídas, de páginas lidas, páginas lidas sem texto encontrado, páginas com dados de texto que não foram lidas, páginas que misturam dados de texto e imagens, páginas que já tinham uma camada de texto de OCR, páginas com dados de texto corrompidos, páginas em branco, páginas que não puderam receber a camada de texto, páginas com a orientação corrigida e páginas em que uma seção não fechada do conteúdo original foi fechada, de linhas e caracteres lidos, de áreas e caracteres não lidos por se sobreporem a texto ou anotações existentes, e de execuções da adição da camada de texto (tudo como faixas), as faixas da proporção de linhas verticais e de linhas com maior probabilidade de conter erros, as faixas do tempo por página e do tempo de carregamento do modelo de IA, o tipo e a versão do modelo de IA e se ele foi baixado, a faixa da resolução de renderização e se ela foi reduzida, a faixa do número de partes em que uma imagem foi dividida para encontrar texto, se o tempo estimado passou de 15 minutos, se a GPU ficou indisponível e se a proteção original foi reaplicada.