OCRmyPDF

Um PDF escaneado é uma pilha de imagens: não dá para buscar uma palavra nem copiar um trecho. O OCRmyPDF roda no seu computador, reconhece o texto com o Tesseract e grava uma camada pesquisável por cima das páginas, sem mandar o arquivo para serviço de terceiros.

Para que serve

• Tornar pesquisáveis contratos, notas e documentos antigos digitalizados, em mais de 100 idiomas.
• Gerar PDF/A, formato pensado para guarda de longo prazo.
• Endireitar páginas tortas e corrigir páginas giradas antes do reconhecimento.
• Processar lotes grandes, com arquivos de milhares de páginas e o trabalho dividido entre os núcleos do processador.

O post o que é OCR explica a técnica. Para entender por que processar localmente importa, veja o custo escondido do conversor de PDF online.

Como começar

O programa está nos repositórios das principais distribuições e no Homebrew:

apt install ocrmypdf
brew install ocrmypdf

Há ainda pacotes para Fedora, FreeBSD, OpenBSD e Snap, além de imagens Docker para x64 e ARM. O uso básico pede o arquivo de entrada e o de saída, com opções como idioma e correção de inclinação:

ocrmypdf -l eng+fra --deskew input_scanned.pdf output_searchable.pdf

O arquivo final mantém a resolução original das imagens e muitas vezes fica menor que o escaneado.

Licença e custo

O núcleo usa a MPL-2.0. Você pode integrar o OCRmyPDF a outro software, inclusive comercial e fechado, mas mudanças no código do próprio OCRmyPDF precisam ser publicadas. Partes fora do núcleo estão sob MIT, e a documentação e os testes, sob CC-BY-SA 4.0. Não há assinatura. Os mantenedores aceitam contato de empresas que queiram financiar recursos ou integrar a ferramenta em sistemas maiores.

Quando vale a pena

Vale para quem digitaliza papel com frequência ou guarda documento sensível que não deveria passar por site de terceiros. Exige algum conforto com terminal. Quem quer arrastar e clicar vai preferir um programa com interface, e a própria documentação tem uma seção sobre alternativas comerciais de OCR.