OCR - tornar um PDF pesquisável

Não. A imagem escaneada fica exatamente como estava, byte por byte; o que é adicionado é uma camada de texto invisível sobre ela, a mesma construção que os programas de scanner usam para um PDF pesquisável. Buscar, selecionar e copiar funcionam; a impressão não muda.

É o motor neural do Tesseract 5, o mesmo por trás da maioria dos OCRs de código aberto, rodando como WebAssembly no seu navegador. Uma digitalização limpa a 300 dpi de texto impresso sai quase perfeita; uma página torta, apagada ou fotografada, menos - endireite-a antes com a ferramenta Endireitar PDF. As palavras de que o motor não tinha certeza também são colocadas, então uma busca ainda as encontra, e a ferramenta diz quantas eram.

Húngaro, inglês, alemão, francês, italiano, espanhol, polonês, romeno, eslovaco, tcheco, croata, esloveno, sérvio (latino e cirílico), ucraniano, russo, búlgaro, grego, turco, dinamarquês, sueco, norueguês, finlandês, holandês, português, indonésio, vietnamita, lituano, letão, estoniano, malaio, latim, árabe, persa, hebraico, chinês (simplificado e tradicional), japonês, coreano e alemão Fraktur para impressões góticas anteriores à guerra, em qualquer combinação - um contrato bilíngue pode ser lido com dois. Cada idioma é um download separado que o navegador depois guarda.

Nada é enviado: o arquivo é aberto e processado no seu navegador e nunca sai do seu dispositivo. Feche a aba e ele desaparece. O motor de OCR e os arquivos de idioma também vêm deste site, então nem a escolha de idioma é enviada a lugar nenhum.

Por padrão, só as que ainda não têm camada de texto, porque uma página criada digitalmente já tem uma e uma segunda duplicaria cada resultado de busca. Se um OCR anterior fez um trabalho ruim, mude para todas as páginas - a nova camada fica embaixo da antiga.

Mais do que qualquer outra coisa aqui - reconhecer texto dá trabalho de verdade, e cada página leva um tempo mesmo em uma máquina rápida, então vale a pena iniciar uma digitalização longa e deixá-la rodando. A primeira execução também busca o motor de reconhecimento e os dados de idioma (alguns megabytes, deste site e não de uma CDN); depois disso o navegador os mantém em cache, e o botão mostra o progresso, página por página.

Sim. Solte um arquivo .docx, .xlsx ou .pptx ou uma imagem (JPG, PNG, WebP...) e ele é convertido em PDF no seu navegador assim que chega - uma imagem vai para uma página A4 - e depois é tratado como qualquer outro PDF; nada é enviado. A conversão é nossa, então o resultado pode diferir um pouco da exportação para PDF do próprio Office: uma fonte pode ser substituída e os gráficos ficam de fora. A lista de arquivos mostra um aviso quando algo não pôde ser levado.