Como converter um PDF digitalizado em Markdown com OCR

Para converter um PDF digitalizado em Markdown, adicione-o ao MD Factory. O aplicativo encontra as páginas que são apenas imagens de texto, reconhece o texto no seu PC com o OCR integrado e salva um arquivo Markdown ao lado do PDF.

O OCR lida bem com páginas impressas limpas e erra em páginas desbotadas, tortas ou manuscritas, então prepare-se para conferir o resultado com a digitalização. Os passos abaixo cobrem o que muda em relação a um PDF comum: o idioma do OCR, o status “Precisa de revisão”, tabelas, texto manuscrito e configurações do scanner.

Converta um PDF digitalizado

1. Abra o MD Factory.
2. Clique em “Adicionar arquivos” e escolha o PDF, ou arraste-o para a janela. Para converter uma pasta inteira de digitalizações, incluindo as subpastas, clique em “Adicionar pasta”.
3. A conversão começa na hora. No primeiro PDF, a linha mostra “Carregando o mecanismo PDF” antes de as páginas serem processadas.
4. Aguarde até a linha mostrar o resultado: “Concluído”, “Precisa de revisão” ou “Falhou”.
5. Clique duas vezes no caminho do resultado, na linha, para abrir o arquivo Markdown.

O arquivo Markdown recebe o nome do PDF e é salvo na mesma pasta. Se as páginas tiverem imagens, como fotos ou diagramas, elas vão para uma pasta ao lado. O PDF em si não é alterado.

Scans/
  lease-agreement.pdf
  lease-agreement.md
  lease-agreement_images/

Os PDFs são convertidos um após o outro, enquanto os outros tipos de documento da fila são processados em paralelo. O aplicativo lê apenas arquivos em unidades locais. Se o seu scanner salva em uma pasta de rede, copie os PDFs para o seu PC primeiro.

Como o aplicativo decide que uma página precisa de OCR

Uma página precisa de OCR quando o texto dela existe apenas como imagem. O MD Factory procura texto selecionável em cada PDF e escolhe um de dois caminhos:

• Se nenhuma página tiver texto selecionável, o arquivo inteiro é tratado como digitalização, e cada página é reconhecida inteira por OCR.
• Se algumas páginas tiverem texto, o aplicativo mantém esse texto como está e aplica OCR só onde o texto aparece como imagem, por exemplo, em uma página digitalizada dentro de um relatório digitado.

Um PDF misto não precisa de preparação. No nosso teste, um arquivo de três páginas, com a primeira e a última digitadas e a do meio digitalizada, gerou um único arquivo Markdown com o texto das três páginas.

O MD Factory só aceita digitalizações em arquivos PDF. Arquivos de imagem como JPG, PNG ou TIFF aparecem como ignorados, então configure o aplicativo do scanner para salvar em PDF.

Se o seu PDF já tem texto selecionável em todas as páginas, o OCR não entra em ação. O guia para converter PDF em Markdown trata desses arquivos.

Escolha o idioma do OCR

Todo PDF começa com o idioma do OCR definido como “Automático (detecção de script)”. Nesse modo, o aplicativo identifica qual alfabeto cada página usa, como latino, cirílico, grego ou árabe, e lê a página com um modelo para esse alfabeto. Nos nossos testes com páginas limpas em 300 dpi e texto de 12 pontos, o modo Automático leu uma página em inglês sem erros e uma em russo com menos de um caractere errado a cada cem.

Você escolhe um idioma quando um PDF termina como “Precisa de revisão” ou “Falhou”:

1. Quando a fila terminar, clique no status na linha do arquivo. Uma janela se abre com a lista dos problemas encontrados.
2. Abra a lista “Linguagem OCR” e escolha o idioma do documento.
3. Clique em “Tentar novamente”.

Não há uma configuração para escolher o idioma com antecedência. Cada novo PDF começa no modo Automático, e o último idioma que você escolheu já vem selecionado na próxima vez que tentar novamente.

Dois idiomas na mesma página funcionam no modo Automático quando compartilham o alfabeto, como inglês e alemão.

Quando os alfabetos são diferentes, o modo Automático lê a página inteira como se fosse de um só deles. Para a maioria dos alfabetos, esse modelo também cobre o inglês, então termos em inglês numa página em grego ou árabe costumam ser reconhecidos. O cirílico é a exceção: no nosso teste, uma página com texto em inglês e em russo recebeu “Precisa de revisão”. Tente novamente com o idioma principal da página e depois confira as palavras do outro alfabeto com a digitalização.

O que “Precisa de revisão” significa em uma digitalização

“Precisa de revisão” significa que o aplicativo salvou o arquivo Markdown, mas encontrou um problema que vale a pena conferir. Nas digitalizações, a janela que se abre a partir do status costuma mostrar uma destas mensagens, com o número da página entre parênteses:

Se nenhuma página gerar texto, o arquivo é marcado como “Falhou”, e a janela sugere tentar novamente com um idioma de OCR definido.

“Concluído” não significa que todos os caracteres estão certos. A verificação olha a média da página inteira, então um único caractere lido errado numa página que, fora isso, está limpa não a aciona. Na página de teste limpa em russo mencionada acima, o número 1248 saiu como 124%.

Antes de confiar no texto, compare com a digitalização cada dado que for usar: nomes, datas, valores e números de conta ou de documento.

Páginas tortas, com ruído ou desbotadas

Uma leve inclinação e alguns pontinhos não são problema. Nos nossos testes, uma página de teste inclinada cerca de um grau, um pouco desfocada e coberta de pontinhos finos foi convertida como “Concluído”.

Uma digitalização ruim é sinalizada. Uma página desfocada, com pouco contraste, digitalizada em baixa resolução e inclinada 3,5 graus recebeu “Precisa de revisão”.

Antes de converter, gire as páginas que estiverem de lado ou de cabeça para baixo no aplicativo do scanner ou em um editor de PDF. Quando uma página recebe “Precisa de revisão” por causa da qualidade, e não do idioma, digitalize-a de novo com as configurações abaixo.

Tabelas em páginas digitalizadas

O MD Factory também procura tabelas nas páginas digitalizadas e as escreve como tabelas Markdown. Cada célula continua sendo texto de OCR, e uma tabela esconde bem os erros: um dígito errado numa coluna de números parece tão plausível quanto um correto.

Compare a tabela com a digitalização linha por linha. Some uma coluna e confira o resultado com o total impresso. Se algum valor foi parar na linha ou na coluna errada, corrija-o no Markdown. O guia de PDF traz um exemplo de como restaurar uma tabela que perdeu as linhas.

Texto manuscrito

O MD Factory reconhece texto impresso e digitado. Ele não foi feito para escrita à mão: anotações manuscritas, comentários nas margens e campos preenchidos de formulários podem sair embaralhados ou sumir.

Não confie no texto convertido para nada que seja manuscrito. Mantenha a digitalização como referência e digite essas partes você mesmo.

Digitalize para melhorar o OCR

A qualidade do reconhecimento depende da imagem. O guia do Tesseract para melhorar a qualidade do OCR lista o que torna uma imagem difícil de ler e, na hora de digitalizar, tudo se resume a cinco pontos:

• Digitalize em 300 dpi ou mais. Segundo o guia, o reconhecimento funciona melhor com uma resolução de pelo menos 300 dpi.
• Coloque a página reta sobre o vidro. Uma página inclinada torna muito mais difícil distinguir as linhas de texto.
• Mantenha a iluminação uniforme, principalmente quando fotografar as páginas com o celular. Sombras e um fundo com partes mais escuras dificultam separar o texto do papel.
• Feche a tampa do scanner ou recorte as bordas. Bordas escuras em volta de uma página digitalizada podem ser lidas como caracteres a mais.
• Use a cópia mais limpa que tiver. Pontinhos e outros ruídos reduzem a precisão.

Salve cada documento como um PDF separado. O MD Factory cria um arquivo Markdown por PDF, então uma pilha de papéis sem relação entre si digitalizada em um só arquivo vira uma única nota longa.

Documentos de identidade, contratos e prontuários médicos

Digitalizações costumam ser pessoais: passaportes, contratos, extratos bancários, prontuários médicos. O MD Factory as reconhece no seu PC e não envia o PDF nem o texto reconhecido.

O arquivo Markdown é salvo ao lado da digitalização. O texto que estava preso numa imagem agora é texto simples que qualquer pessoa com acesso à pasta pode ler e pesquisar. Se essa pasta sincroniza com o OneDrive ou outro serviço na nuvem, o arquivo Markdown também é sincronizado. Nosso guia para converter documentos sem enviá-los à internet mostra como verificar onde uma pasta está armazenada.

Em documentos jurídicos, médicos e financeiros, a digitalização continua sendo o original. Trate o Markdown como uma cópia de trabalho e confira cada número com a digitalização antes de tomar qualquer decisão com base nele. Apague o arquivo Markdown e a pasta de imagens dele quando não precisar mais deles.