OCR PDF Online — PDF Escaneado para Texto Pesquisável
Converta PDFs digitalizados em texto pesquisável e selecionável usando OCR. Grátis, sem cadastro.
.pdf · até 2 GB
Para que serve o OCR
OCR em PDF: torne qualquer documento digitalizado pesquisável
Documentos pesquisáveis
Converta arquivos digitalizados em PDFs onde você pode pesquisar palavras, selecionar texto e copiar trechos.
Arquivos históricos
Digitalize e torne acessível documentação histórica, arquivos em papel e acervos físicos de contratos.
Acessibilidade
Documentos com camada de OCR são acessíveis a leitores de tela e compatíveis com normas de acessibilidade digital.
Multilíngue
Suporte a mais de 100 idiomas incluindo português, inglês, árabe, chinês, russo e mais com o Tesseract 5.
Como funciona
Três passos, sem complicação
Envie seu PDF digitalizado
Arraste ou selecione o PDF digitalizado. O OCR funciona em PDFs que são imagens — documentos fisicamente digitalizados, fotografias de documentos, faxes digitalizados.
Reconhecimento OCR
O motor de OCR analisa cada página como imagem, identifica os caracteres e gera uma camada de texto invisível sobreposta à imagem original do documento.
Baixe o PDF pesquisável
O PDF resultante parece idêntico ao original, mas agora você pode pesquisar texto nele, selecionar e copiar texto, e a informação fica acessível a indexadores e leitores de tela.
Perguntas frequentes
Ficou com dúvidas?
OCR (Reconhecimento Óptico de Caracteres) é a tecnologia que converte imagens de texto em texto digitalmente codificado. O processo tem três etapas principais: pré-processamento da imagem (correção de inclinação, remoção de ruído, binarização), segmentação (identificação de linhas de texto, palavras e caracteres individuais) e reconhecimento (comparação de cada caractere com modelos de referência para determinar o caractere mais provável). Motores de OCR modernos baseados em redes neurais recorrentes LSTM (Long Short-Term Memory) superam os métodos clássicos baseados em templates em precisão, especialmente em documentos com tipos irregulares, texto inclinado ou degradado.
O Tesseract 5, o motor de OCR de código aberto mais usado (originalmente desenvolvido pela HP na década de 1980, adquirido pelo Google e publicado sob a licença Apache 2.0, com a versão 5.0 baseada em LSTM lançada em novembro de 2021), atinge taxas de precisão de 98 a 99% em documentos impressos em português digitalizados a 300 DPI com boa qualidade. Documentos com tipos padrão (Times New Roman, Arial, Calibri) têm taxas de precisão muito altas. Documentos com tipos decorativos, texto muito pequeno (abaixo de 8 pontos) ou degradação por idade têm taxas de precisão menores.
O OCR para PDF pesquisável (também chamado de PDF com camada de OCR ou PDF com texto incorporado) mantém a imagem original do documento e adiciona uma camada de texto invisível que torna o documento pesquisável. A aparência visual é idêntica à digitalização original. O OCR para texto extrai apenas o texto reconhecido sem preservar a imagem original. Para documentos onde a imagem original tem valor jurídico (contratos assinados, documentos notariais, faturas carimbadas), o PDF pesquisável é a opção correta. Para extração de dados ou análise de texto, a extração direta para TXT é mais eficiente.
Sim. O Tesseract 5 suporta mais de 100 idiomas incluindo português, inglês, espanhol, francês, alemão, italiano, russo, chinês simplificado e tradicional, japonês, árabe, hindi e muitos outros. Para documentos que misturam idiomas na mesma página, é possível ativar o modo de reconhecimento multilíngue, o que melhora a precisão em comparação ao uso de um único idioma fixo.
A resolução mínima recomendada para OCR de qualidade é 300 DPI. Nessa resolução, a maioria dos tipos impressos está suficientemente definida para que o motor de OCR os reconheça corretamente. A 150 DPI, a precisão cai notavelmente, especialmente com texto de corpo pequeno (10 a 12 pontos). A 600 DPI, a qualidade é excelente, mas o tamanho do arquivo de digitalização é muito maior sem melhoria proporcional na precisão de OCR para texto normal. Para documentos com microimpressão (texto muito pequeno, como notas de rodapé em documentos jurídicos), pode ser necessário digitalizar a 400 a 600 DPI.
PDFs mistos que têm páginas com texto nativo e páginas digitalizadas são comuns — por exemplo, um contrato onde as primeiras páginas são texto gerado digitalmente e a última é uma assinatura digitalizada. Motores de OCR modernos podem detectar automaticamente quais páginas têm texto real e quais são imagens, aplicando OCR apenas onde necessário. Isso evita o reprocessamento desnecessário de páginas que já têm texto legível.
OCR em PDF: como tornar um documento digitalizado pesquisável com tecnologia de reconhecimento óptico
O OCR (Reconhecimento Óptico de Caracteres) aplicado a PDFs digitalizados é uma das tecnologias mais transformadoras na gestão de documentos. Antes do OCR, documentos físicos digitalizados para PDF eram imagens silenciosas: você não podia pesquisar uma palavra, não podia selecionar texto, não podia ter um leitor de tela lendo-os. O OCR transforma essas imagens de página em documentos com texto real, mantendo a aparência visual original. A história do OCR é longa: os primeiros sistemas automáticos de reconhecimento de caracteres para correspondência postal datam dos anos 1950. Os primeiros produtos comerciais para PC chegaram nos anos 1980 com o OmniPage (Caere Corporation, 1988) e o FineReader (ABBYY, 1993). A revolução veio com os motores baseados em aprendizado de máquina: o Tesseract, originalmente desenvolvido pelos laboratórios de pesquisa da HP em Bristol entre 1985 e 1995, foi adquirido pelo Google em 2006 e publicado como código aberto. A versão 4 (2018) introduziu arquiteturas LSTM que melhoraram dramaticamente a precisão. A versão 5 (novembro de 2021) refinou esses modelos para atingir taxas de precisão de 98 a 99% em condições ideais.
Aplicar OCR a PDFs digitalizados tem dois modos de saída com casos de uso distintos. O primeiro é o PDF pesquisável (também chamado de PDF/OCR): o PDF resultante mantém a imagem original do documento e adiciona uma camada de texto invisível que permite busca, seleção de texto e acessibilidade, sem alterar a aparência visual. Esse modo é o correto para documentos com valor jurídico ou de arquivamento onde a imagem original deve ser preservada intacta — contratos assinados, documentos notariais, faturas com timbre, prontuários médicos. O segundo modo é a extração de texto puro (TXT): apenas o texto reconhecido é extraído, perdendo o formato visual. Esse modo é mais adequado para análise de texto, alimentação de sistemas de busca ou processamento de conteúdo com ferramentas de processamento de dados. O padrão PDF/A-3 (ISO 19005-3, publicado em 2012) permite incorporar o texto de OCR no PDF para que o documento seja tanto um arquivo visual fiel quanto texto acessível, e é o formato recomendado para arquivos institucionais.
A precisão do OCR depende de múltiplos fatores que o usuário pode controlar. A resolução do scanner é o mais importante: 300 DPI produz resultados ideais para a maioria dos tipos de 10 a 12 pontos. A cor do fundo do documento importa: o OCR funciona melhor em fundos brancos com texto preto de alto contraste. Documentos com fundos coloridos, marcas d'água, carimbos sobrepostos ou texto impresso sobre imagens de fundo têm menor precisão. A qualidade do papel original e a idade do documento também importam: um documento dos anos 1970 impresso em papel amarelado com tinta desbotada terá menor precisão do que um documento impresso em 2020. Para documentos históricos deteriorados, técnicas de pré-processamento de imagem (melhoria de contraste, remoção de manchas, correção de inclinação) melhoram significativamente a precisão do OCR. O Convertir.ai aplica pré-processamento automático antes do OCR para maximizar a precisão na maioria dos documentos digitalizados comuns.