Um digitalizado é uma imagem dentro de um contêiner

Quando uma folha passa pelo scanner ou pela câmera do celular, o resultado é uma imagem grande por página, embrulhada num PDF para imprimir e paginar corretamente. Não há dados de caractere: a letra A é um padrão de pixels escuros, igual à letra B.

Um PDF pode carregar as duas coisas: uma imagem e uma camada de texto invisível por cima, que é o que o OCR produz. Quase todos os digitalizados têm só a imagem. É por isso que 20 páginas digitalizadas podem pesar 30 MB e 20 páginas digitadas, 300 KB.

O que a conversão pode e não pode

Converter PDF para Word ou texto extrai a camada de texto. Sem camada de texto não há nada a extrair, e os resultados honestos são dois: um documento com as imagens das páginas, ou uma falha.

Um conversor que “funciona” num digitalizado e devolve um Word cheio de imagens não leu a página: copiou. Isso ainda pode ser útil se o objetivo é um layout editável, mas não dá texto pesquisável e não é o que a maioria chama de “converter”.

Este site não faz OCR. Um digitalizado continua digitalizado aqui: a conversão copia o que existe e diz isso, em vez de inventar palavras. Se você precisa de texto pesquisável, use uma ferramenta de OCR — e verifique se ela roda localmente antes de enviar um documento importante.

Como saber o que você tem

Três verificações resolvem em menos de um minuto:

  • Selecione um parágrafo. Se destacar, há camada de texto e a conversão funcionará.
  • Busque uma palavra que você vê na página. Sem resultado, não há camada de texto.
  • Olhe o tamanho por página. Centenas de kilobytes ou mais por página é digitalizado; dezenas de kilobytes é texto.

Se você realmente precisa de OCR

O OCR reconhece caracteres a partir de pixels e grava uma camada de texto no PDF. É outro trabalho, mais lento, e a precisão depende do digitalizado: 300 dpi, reto, bom contraste, sem escrita à mão. Conte com corrigir nomes, números e tudo o que estiver em fonte clara.

Se o digitalizado só precisa ser lido, converter para imagem muitas vezes basta, e é mais rápido e sem perdas do que o OCR.