Como transformar PDF escaneado em texto editável

Você recebeu um contrato, um laudo ou uma apostila em PDF e precisa de um trecho do texto. Seleciona, e a página inteira fica azul. Copia, e o que cola é nada. O arquivo foi escaneado: cada página é uma foto da folha, e foto não tem letras para copiar. A boa notícia é que dá para recuperar esse texto, e o caminho depende do que você quer fazer com ele.

O seu PDF é mesmo escaneado?

Vale confirmar antes. Tente selecionar uma linha: se a seleção pega a página inteira como um bloco, ou não pega nada, a página é uma imagem. Outra prova é procurar com Ctrl+F uma palavra que você está vendo na tela. Se a busca não acha, não há texto no arquivo.

Muitos PDFs misturam os dois tipos, como um processo com petições exportadas do computador e documentos escaneados no meio. Não precisa separar nada: PDF para texto lê direto as páginas que têm texto e passa pelo OCR só as escaneadas.

Depois, decida o que você quer

Se o que você tem é uma foto ou um print, e não um PDF, use Imagem para texto, que funciona do mesmo jeito para imagens.

Passo a passo para tirar o texto

1. Abra PDF para texto.
2. Em Idioma do documento, deixe Detectar automaticamente ou escolha Português.
3. Escolha o PDF. As páginas que já têm texto são lidas direto, sem erro. As escaneadas passam por OCR, o que leva um pouco mais de tempo. A tela mostra quantas páginas foram lidas por OCR.
4. Cada página tem seu próprio botão Copiar, no canto superior direito. Para o documento inteiro, use Copiar todas as páginas.
5. Para guardar, clique em Baixar como .txt. O arquivo traz o texto de todas as páginas, identificado pelo número da página.

Os botões funcionam com o que já estiver pronto, então você pode copiar a primeira página enquanto as outras ainda estão sendo lidas.

Acentos e o idioma certo

A opção Português lê português e inglês juntos, porque documentos brasileiros também têm nomes de empresa, e-mails e termos em inglês. Com ela, "atribuições", "rescisão" e "endereço" chegam com til, cedilha e acentos no lugar.

Detectar automaticamente reconhece o português em páginas com bastante texto corrido, como contratos, cartas e laudos. Se as páginas têm poucas palavras, como recibos, comprovantes ou formulários cheios de campos, escolha Português à mão. É também o caminho mais rápido.

Por que "PDF para Word" não resolve no escaneado

É a primeira coisa que muita gente tenta. Mas, na conversão de PDF para Word, uma página escaneada entra no documento como imagem. Ela fica igual ao original, só que as palavras continuam sem poder ser editadas, e a tela de resultado avisa quando isso acontece.

Para ter o texto editável no Word, faça assim:

1. Extraia o texto em PDF para texto.
2. Clique em Copiar todas as páginas.
3. Cole num documento novo do Word ou do Google Docs.
4. Arrume títulos, parágrafos e listas.

Você perde o layout da página, mas ganha o texto inteiro para reescrever, sem digitar nada.

Deixar o PDF pesquisável

Às vezes você não quer o texto fora do PDF: quer o mesmo arquivo, com a mesma aparência, mas que aceite busca. Isso é útil em contratos longos, processos, apostilas e pastas de documentos digitalizados.

1. Abra o PDF em Editar PDF digitalizado, com o idioma escolhido como acima.
2. Espere as páginas escaneadas serem lidas.
3. Clique em Salvar alterações e depois em Baixar PDF.

O texto reconhecido é gravado de forma invisível por cima de cada página escaneada. O PDF continua idêntico na tela e na impressão, mas agora o Ctrl+F encontra as palavras, e dá para selecionar e copiar trechos. Em cada execução, isso é feito nas primeiras 30 páginas escaneadas; as seguintes ficam como imagem, e a tela avisa. Na mesma ferramenta você também pode corrigir uma palavra, como mostra Como editar PDF escaneado ou digitalizado, sem programa.

O que esperar do texto

O OCR lê muito bem texto impresso e digitado, num escaneamento limpo. Mas é bom saber:

• Tabelas perdem a grade. O texto sai em linhas simples, página por página.
• Colunas podem se misturar. Numa página em duas colunas, como um jornal ou um diário oficial, linhas vizinhas às vezes se juntam.
• Números merecem conferência. Um erro de OCR pode parecer certo: um 5 que virou 6 num valor ou num CPF passa fácil. Confira tudo o que for importante com o original.
• Letra de mão não é lida. Anotações, assinaturas e campos preenchidos à mão ficam de fora ou saem com muitos erros.
• Escaneamento ruim dá texto ruim. Página torta, escura ou de baixa resolução gera mais erros. Se puder, escaneie de novo com a folha reta e boa luz.

O seu arquivo

Em PDF para texto, o PDF fica no seu aparelho: o navegador lê o texto e também as páginas escaneadas. Só se o navegador não conseguir rodar o leitor as páginas escaneadas vão para o nosso servidor, como imagens, por conexão criptografada, e são apagadas assim que lidas. Em Editar PDF digitalizado, a leitura também acontece no navegador; para salvar, o arquivo é enviado ao servidor e apagado logo depois. Nenhuma das duas pede conta.