OCR

Um contrato antigo que só existe em papel, um processo que chegou escaneado, uma correspondência digitalizada e salva em PDF: dá para ler na tela, mas Ctrl+F não retorna nada. Para o computador aquelas páginas são fotografias, então não há como buscar uma cláusula, copiar um trecho ou conferir vários arquivos de uma vez.

O reconhecimento é escolhido entre algumas combinações de idiomas —coreano e inglês, inglês, coreano, japonês e inglês, chinês simplificado e inglês— e o português não está entre elas, então de um documento em português não sai resultado aproveitável. Dentro dos idiomas suportados, a precisão depende quase inteiramente da qualidade da digitalização, em torno de 300 dpi, folha reta e iluminação uniforme. O resultado pode vir como texto puro ou como um PDF com camada de texto invisível sobre a imagem, que mantém a aparência original e passa a permitir busca.

Nenhum OCR é infalível: confira números, nomes próprios e qualquer dado que for reaproveitar. Se o PDF já tiver texto de verdade, gerado por um programa e não por um scanner, a extração de texto é mais rápida e mais exata. O reconhecimento roda no navegador, então documentos sigilosos não saem do seu computador.