PDF escaneado para Word

Por que um conversor comum devolve só uma imagem

Quase todo conversor de PDF para Word, inclusive o nosso, funciona lendo o texto que já está guardado dentro do PDF. Para um arquivo exportado do Word ou do Google Docs, funciona muito bem. Só que o scanner não guarda texto: ele guarda uma imagem de cada página. O conversor não encontra nada para ler e simplesmente cola a imagem no Word.

Você abre o .docx, clica num parágrafo e a página inteira fica selecionada como uma foto só. Aconteceu comigo com um contrato de aluguel que o proprietário mandou, e é irritante demais. O texto está ali, você está vendo, mas não consegue mexer.

Para resolver, é preciso passar por um OCR (reconhecimento óptico de caracteres) antes. Alguma coisa precisa olhar para os pixels e decidir que aquela forma é um "a" e aquela outra é um "7". Só depois disso existe texto para levar ao Word.

O que a ferramenta faz com o seu escaneamento

Cada página passa pelo Tesseract, o motor de OCR de código aberto que serve de base para boa parte dos programas de reconhecimento sérios. Antes da leitura, a página é endireitada, porque um escaneamento torto um ou dois graus perde muito mais palavras do que parece. Páginas que já têm texto de verdade ficam como estão.

Depois vem a parte que mais me deu trabalho. O resultado bruto do OCR é um amontoado de linhas soltas. Se você colar direto no Word, cada linha termina com uma quebra forçada e as palavras separadas por hífen ficam cortadas ao meio. O conversor analisa o espaço entre as linhas e o tamanho da letra para remontar os parágrafos, junta as palavras quebradas no fim da linha e transforma linhas grandes, como um cabeçalho ou o título de uma seção, em títulos do Word. Cada página do escaneamento começa numa página nova do documento.

O que você baixa é um .docx simples e limpo, com estilos normais e sem caixas de texto flutuando em cima de uma imagem. Dá para trocar a fonte do documento inteiro de uma vez, rodar o corretor ou copiar trechos para outro arquivo sem levar formatação estranha junto.

O idioma faz mais diferença do que parece

O Tesseract lê muito melhor quando sabe qual idioma esperar. Se ficar em inglês e receber um contrato em português, ele ainda pega a maioria das palavras, mas some com os acentos e o ç, e "ação" vira "acao". Em japonês, chinês ou árabe, o idioma errado gera praticamente lixo, porque essas escritas precisam de modelos próprios.

São 20 idiomas na lista, e nesta versão da página o português já vem selecionado. Se o documento mistura dois idiomas, escolha o que cobre a maior parte do texto.

Como conseguir um resultado limpo

• Escaneie em 300 DPI. Abaixo de 200, a letra pequena vira mancha.
• Preto e branco ou tons de cinza bastam. Cor não ajuda o OCR e deixa o arquivo maior.
• Deixe a folha bem plana. Perto da lombada de um livro as linhas entortam e ficam difíceis de ler.
• Foto de celular funciona se a página ocupar o quadro todo e você fotografar bem de cima, sem ângulo.
• Fax e cópia de cópia também funcionam, mas com mais erros. Vai precisar revisar.

Mesmo com um bom escaneamento, leia o resultado antes de mandar para alguém. O OCR confunde 0 com O e 1 com l. Valores de notas fiscais e contratos merecem uma segunda olhada.

Onde funciona bem e onde não

Funciona melhor com páginas cheias de texto: cartas, contratos, relatórios, atas, textos antigos datilografados, capítulos de livro. Tudo em que o objetivo é recuperar as palavras para poder editar.

Vou ser sincero sobre os limites. Tabelas saem como linhas de texto, não como tabela do Word. Layouts em duas colunas costumam ser lidos na ordem certa, mas uma página cheia de quadros e barras laterais pode sair embaralhada. Fotos e logotipos não são copiados. E letra de mão quase nunca dá certo.

Programas pagos tentam copiar a aparência exata da página. Às vezes impressiona, mas muitas vezes sai um Word cheio de caixas de texto que desmonta assim que você acrescenta uma frase. Eu fui pelo caminho contrário: acertar as palavras, manter a estrutura simples e deixar a formatação com você.

O que acontece com o seu arquivo

OCR é um trabalho pesado, por isso roda no nosso servidor e não no seu navegador. O PDF é enviado por HTTPS, processado numa fila e apagado assim que a conversão termina. O Word fica disponível só pelo tempo necessário para você baixar e depois é removido automaticamente. Ninguém lê os seus documentos.

Não tem conta, não pede e-mail e não coloca marca d'água no texto. O limite é de 100 páginas por arquivo. Uma carta de dez páginas costuma ficar pronta em menos de um minuto.