Como extrair texto de PDF escaneado (OCR)

VVocê recebe um contrato escaneado e tenta selecionar uma cláusula pra colar em um email — nada acontece. O cursor passa por cima do texto sem reagir. Isso porque o "texto" do PDF é na verdade uma imagem fotografada de uma folha. Pra qualquer programa, é como se você tivesse selecionado um JPG.

OCR (Optical Character Recognition) é a tecnologia que faz a máquina "ler" essas imagens e converter pra texto de verdade. O resultado é um documento que você pode pesquisar com Ctrl+F, copiar trechos, editar no Word, indexar em busca, ou alimentar em LLM.

Teste rápido em 3 segundos: abre o PDF e tenta selecionar uma palavra com o mouse. Se selecionar bonitinho (texto fica destacado em azul, palavra por palavra), o PDF tem texto real e não precisa de OCR. Se você só consegue desenhar um retângulo por cima, é imagem — precisa de OCR.

Outro sinal: tenta dar Ctrl+F e procurar uma palavra que VOCÊ SABE que tá no documento. Se não encontrar, é porque o conteúdo é imagem.

• —Contratos antigos digitalizados — pra extrair cláusulas, datas, valores
• —Notas fiscais escaneadas — pra alimentar planilhas de despesa
• —Livros e artigos científicos — pra citar trechos, traduzir
• —Documentos do RH — RGs, comprovantes, holerites pra cadastros
• —Histórico médico — pra digitalizar prontuários antigos
• —Pesquisas de campo — formulários preenchidos à mão (parcialmente)

1. Selecione o arquivo escaneado

Funciona com PDF, JPG, PNG e TIFF. Pode subir documento de várias páginas — o OCR processa tudo de uma vez e mantém a ordem.

2. Escolha o idioma do conteúdo

Suportamos português, inglês e espanhol. O OCR usa modelos diferentes pra cada idioma — escolher errado piora a precisão. Se o documento tem múltiplos idiomas (relatório bilíngue, por exemplo), processe cada parte separadamente.

3. Escolha o formato de saída

• —PDF pesquisável — mantém o visual original mas adiciona uma camada de texto invisível por cima. Você pode dar Ctrl+F, copiar e colar normalmente.
• —Texto puro (.txt) — só o conteúdo extraído, sem formatação. Bom pra alimentar planilha, importar em sistema, processar com IA.
• —Word (.docx) — converte com formatação básica preservada (parágrafos, alinhamento). Bom pra editar.

4. Processe e baixe

OCR é mais lento que outras conversões (cada página leva 2-10 segundos dependendo da resolução). Quando terminar, você baixa o arquivo no formato escolhido.

A precisão do OCR depende muito da qualidade da imagem original. Algumas dicas:

• —Escaneie em pelo menos 300 DPI — abaixo disso letras pequenas borram
• —Garanta que a página esteja reta — fotos tortas e perspectivas diagonais confundem o reconhecimento
• —Limpe sujeiras e dobras antes de escanear — manchas viram caracteres aleatórios
• —Prefira fundo branco e tinta preta — alto contraste = melhor leitura
• —Evite scan de tela — Moiré e pixelização atrapalham

OCR libera várias possibilidades depois:

• —OCR + Compress — depois do OCR, o PDF fica MUITO mais leve (texto pesa muito menos que imagem)
• —OCR + Word — extrai pra .docx pra editar e revisar
• —OCR + Excel — se o documento for tabela, OCR + conversor Excel separa em colunas
• —OCR + ChatGPT — joga o texto extraído na IA pra resumir, traduzir ou analisar