OCR explicado: como um PDF digitalizado se torna texto pesquisável

Um documento digitalizado — venha de um verdadeiro digitalizador ou apenas da câmara de um telemóvel — é uma fotografia para um computador. O Ctrl+F não encontra nada, porque não há texto para encontrar, apenas píxeis que, para um humano que os lê, calham parecer letras.

O que o OCR faz realmente

O reconhecimento ótico de caracteres analisa as formas na página e prevê que caracteres representam, e depois acrescenta esse texto previsto como uma camada invisível e selecionável posicionada mesmo por cima da imagem original. Visualmente, nada muda — continuas a olhar para a mesma digitalização. Funcionalmente, a página tem agora texto real por trás que um navegador ou leitor de PDF pode pesquisar, selecionar e copiar.

Por que aqui o OCR corre inteiramente no teu navegador

O OCR PDF usa o Tesseract.js, uma compilação WebAssembly do motor de OCR de código aberto Tesseract, a correr como um Web Worker para não congelar a página enquanto trabalha. O reconhecimento em si acontece no teu dispositivo — a digitalização não é enviada para lado nenhum para ser lida.

O que afeta a precisão

• A qualidade da digitalização — uma digitalização nítida, bem iluminada e direita é reconhecida com muito mais precisão do que uma foto de telemóvel desfocada ou muito inclinada.
• A escrita manual — o Tesseract, como a maioria dos motores de OCR, é feito para texto impresso; o reconhecimento de escrita manual é um problema diferente e muito menos fiável.
• Tipos de letra invulgares ou muito estilizados — as tipografias decorativas ou o texto de baixo contraste reduzem a precisão da mesma forma que dificultariam a um humano a passar os olhos depressa.