Por que a conversão de PDF para Word falha em documentos digitalizados (e o que fazer)

Você digitaliza um documento, converte-o para Word e abre o resultado - apenas para encontrar uma página em branco, uma única imagem incorporada ou caracteres ilegíveis. Esta é uma das frustrações mais comuns com PDFs, e a causa é quase sempre a mesma: o PDF contém uma digitalização, não texto real.

PDF nativo vs. PDF digitalizado: a diferença fundamental

Existem dois tipos fundamentalmente diferentes de arquivos PDF:

• PDFs nativos (digitais)são criados por software - Word, Google Docs, Acrobat ou um driver de impressão. O texto é armazenado como dados reais de caracteres dentro do arquivo. Quando você converte esse tipo de PDF para Word, o conversor lê os caracteres diretamente. Os resultados costumam ser precisos, e a formatação é amplamente preservada.
• PDFs digitalizadossão fotografias de uma página. O scanner captura uma imagem. O software de PDF envolve essa imagem em um envelope PDF. Não há dados de texto dentro - apenas pixels. Um conversor de PDF para Word que abre este arquivo vê uma imagem, não caracteres. Ele não pode produzir texto editável a partir de uma imagem.

Como identificar que tipo de PDF você tem

Abra o PDF e tente selecionar uma palavra com o cursor. Se conseguir destacar palavras individuais e copiá-las para a área de transferência, é um PDF nativo. Se o cursor selecionar a página inteira como um único bloco — ou não fizer nada — é um PDF digitalizado.

O que você precisa: OCR

Converter um PDF digitalizado em texto editável requer Reconhecimento Ótico de Caracteres (OCR) — um software que analisa a imagem e identifica letras, palavras e a estrutura dos parágrafos. O OCR é executado como uma etapa separada antes da conversão para Word ou em vez dela.

Ferramentas que podem executar OCR em um PDF digitalizado:

• Google Docs- carregue o PDF no Google Drive, clique com o botão direito -> Abrir com Google Docs. O Google executa o OCR automaticamente. A qualidade varia, mas é boa para documentos limpos e bem digitalizados.
• Adobe Acrobat Pro- Ferramentas -> Aprimorar digitalizações -> Reconhecer texto. Resultados precisos, mas requer uma assinatura paga.
• Microsoft OneNote- insira o PDF como uma imagem de impressão, clique com o botão direito -> Copiar Texto da Imagem. Funciona página por página; não preserva a formatação.

Depois que um documento tiver sido processado por OCR, ele pode ser convertido para Word com resultados muito melhores. UsePDF para Word da Pagivoapós a etapa de OCR quando precisar de um DOCX editável.

Obtendo os melhores resultados de OCR

A precisão do OCR depende muito da qualidade da digitalização. As três razões mais comuns pelas quais o OCR produz uma saída incompreensível:

1. Resolução muito baixa.Qualquer valor abaixo de 150 DPI torna o reconhecimento de caracteres pouco confiável. 300 DPI é o mínimo prático para resultados consistentemente bons.
2. Inclinação da página.Mesmo uma inclinação de dois graus torna ambígua a detecção dos limites dos caracteres. A maioria dos softwares de digitalização tem uma opção de correção automática de inclinação - ative-a, se disponível.
3. Conteúdo manuscrito.O OCR é treinado com base em texto impresso. O reconhecimento de manuscrito é um problema separado e consideravelmente mais difícil. Ferramentas de OCR padrão produzirão resultados pobres em páginas manuscritas.

Se você só precisa pesquisar, não editar

Se você só precisa encontrar texto dentro do documento, em vez de editá-lo, não é necessário converter para Word. O objetivo, nesse caso, é tornar o PDF pesquisável - adicionando uma camada de texto oculta sobre as imagens - em vez de extrair o texto para um novo formato. Quando o PDF possui uma camada de texto, o Ctrl+F funciona normalmente na maioria dos leitores de PDF. Você também pode usarPergunte ao PDFe peça para ele criar um PDF OCR pesquisável.

Por que a qualidade da digitalização original importa mais do que a ferramenta

Nenhum software de conversão consegue recuperar detalhes que não foram capturados pelo scanner. Uma digitalização desfocada ou subexposta de uma fotocópia desbotada produzirá um resultado ruim no Word, independentemente da ferramenta utilizada. A melhorias de maior impacto que você pode fazer é sempre digitalizar novamente o documento em uma resolução mais alta e com melhor iluminação, se o original estiver disponível.