PDF digitalizado versus PDF pesquisável: qual é a diferença?

Um PDF digitalizado geralmente contém imagens de páginas em vez de texto selecionável. Um PDF pesquisável contém uma camada de texto que o software pode pesquisar, selecionar, copiar ou indexar. OCR pode adicionar texto reconhecido a um PDF digitalizado enquanto preserva a imagem visível da página, mas as palavras reconhecidas podem conter erros.

PDFs digitalizados somente imagem, nativos e pesquisáveis

Como os três tipos de PDF diferem
Recurso	Digitalização somente de imagem	PDF digital nativo	OCR/digitalização pesquisável
Texto selecionável	Geralmente nenhum.	Geralmente disponível quando o texto é codificado de forma acessível.	Disponível onde o texto reconhecido foi adicionado.
Pesquisar	Não é possível pesquisar as palavras ilustradas como texto.	Geralmente pesquisa texto armazenado.	Pesquisa o texto reconhecido, incluindo seus erros.
Aparência	Uma imagem de página.	Texto, vetores, imagens ou uma mistura.	Freqüentemente, a mesma imagem de página com uma camada de texto oculta.
OCR necessário	Sim, para reconhecer as palavras ilustradas.	Geralmente não para texto nativo legível.	Já realizado, embora um resultado ruim possa exigir outra tentativa.
Erros de reconhecimento	Nenhuma camada de reconhecimento ainda.	Sem erros de OCR no texto nativo; a extração ainda pode ter problemas.	Possível mesmo quando a digitalização visível parece correta.

Um PDF pode misturar estes tipos: um relatório digital pode incluir um apêndice digitalizado. Tente pesquisar uma palavra distinta e visível e copiar uma frase de várias páginas. Uma pesquisa falhada por si só não é uma prova definitiva de uma digitalização apenas de imagem; codificação de texto, permissões ou uma camada de OCR deficiente também podem interferir.

Como funciona uma camada de texto invisível?

OCR – reconhecimento óptico de caracteres – estima caracteres de uma imagem. Um exportador de PDF pode armazenar as palavras reconhecidas de forma invisível, deixando a digitalização visível. A pesquisa então usa essas palavras armazenadas, não uma nova leitura dos pixels. Um bom alinhamento coloca as palavras ocultas sobre os locais correspondentes da imagem, para que a seleção e o realce pareçam naturais.

Por exemplo, uma digitalização que mostre visivelmente o número da fatura 1080 pode ter 1O8O em sua camada de OCR. A busca pelo número correto pode falhar mesmo que a imagem da página permaneça inalterada. Copiar o número em uma planilha traz consigo o erro de reconhecimento.

Por que o OCR comete erros?

A baixa resolução perde detalhes dos personagens; ampliar uma varredura borrada não pode recuperar os traços perdidos.
Inclinação, desfoque de movimento, sombras, ruído e artefatos de compressão tornam os formatos das letras mais difíceis de separar.
Uma linguagem de reconhecimento inadequada pode produzir palavras ou caracteres errados.
A escrita manual e as fontes incomuns são menos previsíveis do que o texto impresso claro.
Colunas, tabelas, notas de rodapé e rótulos girados podem confundir a ordem de leitura mesmo quando letras individuais são reconhecidas.

Um PDF pesquisável não é automaticamente um documento bem estruturado ou acessível. O reconhecimento de palavras não cria necessariamente títulos, relacionamentos de tabelas, ordem de leitura ou tags de documentos adequados. OCR também não recria a fonte original do Word.

O que esperar do SoraFiles PDF OCR

O atual Ferramenta de OCR para PDF executa o reconhecimento localmente. Ele mantém páginas com texto nativo legível detectado e reconhece páginas digitalizadas. Escolher o idioma apropriado e fornecer uma leitura clara e direta melhora as condições de reconhecimento; a precisão ainda precisa ser verificada.

Esses limites de exportação são independentes do reconhecimento do texto pelo mecanismo de OCR. Um resultado de texto útil ainda pode produzir um PDF pesquisável incompleto. As páginas com texto nativo existente não estão sujeitas à codificação de texto adicionado da mesma maneira, mas ainda precisam de uma pesquisa prática e verificação de cópia.

Verifique o resultado antes de confiar nele

Pesquise várias palavras e números distintos em páginas diferentes.
Copie um parágrafo em um editor de texto simples para inspecionar os caracteres e a ordem de leitura.
Compare nomes, datas, totais e identificadores com a imagem original.
Verifique as páginas com colunas, tabelas, caligrafia e quaisquer alterações de idioma separadamente.
Mantenha a digitalização original junto com o resultado do OCR para que o texto incerto possa ser verificado posteriormente.

Para uma imagem inicial mais nítida, use Scanner de documentos para ajustar a captura do documento. Se você precisar de parágrafos editáveis, compare PDF para Word com o compensações de conversão visuais e editáveis antes de escolher uma saída.

Referências

Usar OCR de PDF