Reconhecimento de texto em PDF (OCR) — sem envio

Coloca uma camada de texto invisível e pesquisável sobre páginas de PDF digitalizadas ou em formato de imagem. O reconhecimento acontece totalmente no teu navegador, o teu ficheiro nunca é enviado.

Contratos, faturas ou livros digitalizados costumam conter apenas a imagem da página, sem texto real — não é possível pesquisar nem copiar texto neles. O mousePDF reconhece o texto localmente no navegador e coloca-o de forma invisível sobre a imagem, de modo que a pesquisa e a cópia funcionam sem que o aspeto da página mude.

O OCR é uma daquelas tarefas para as quais normalmente é quase inevitável enviar algo: o reconhecimento precisa de um modelo de idioma, que costuma estar alojado num servidor. Aqui é executado no teu navegador; só é descarregado o modelo, nunca o teu ficheiro.

Isto é precisamente importante nos documentos que se digitalizam: contratos, recibos de vencimento, relatórios médicos, cópias do cartão de cidadão. Uma digitalização é uma imagem — e antes de ser pesquisável, algo tem de a ler. Que esse algo seja executado no teu próprio dispositivo, no teu navegador, é a verdadeira diferença.

Há 28 idiomas disponíveis para OCR. O modelo do idioma escolhido só é descarregado na execução efetiva — a página mantém-se assim leve, e só descarregas o que precisas.

As escritas não latinas faltam propositadamente. Nada de cirílico, nem chinês, japonês ou coreano, nem árabe, hebraico, devanágari ou tailandês. Os modelos para essas escritas são consideravelmente maiores e a taxa de acerto claramente mais baixa — um resultado que é preciso corrigir carácter a carácter não ajuda ninguém. O grego está incluído, porque nesse aspeto não fica na mesma categoria.

O reconhecimento nunca é isento de erros. Reconstrói a partir de pixels o que outrora foi texto. Uma digitalização limpa e bem alinhada dá muito bons resultados; uma fotografia de telemóvel torta com má luz, uma caligrafia rabiscada ou um tipo de letra decorativo pouco habitual dão resultados claramente piores. Quem reaproveitar o texto deve revê-lo — isto vale para qualquer OCR, não só para este.

O aspeto da página não muda. O texto reconhecido é colocado como uma camada invisível sobre a imagem: continuas a ver a tua digitalização, mas passas a poder pesquisar e selecionar nela. Por isso, os erros de reconhecimento não são visíveis na imagem — só aparecem quando copias o texto.

O OCR também é útil depois de comprimir um PDF: nesse processo as páginas tornam-se imagens e perdem a sua camada de texto — o reconhecimento de texto volta a criá-la.

Abrir o editor →