OCR: o que é e como transformar PDF e imagem em texto

Alguém manda o contrato assinado em PDF e pede para você achar a cláusula de multa. Você aperta Ctrl+F, digita "multa" e o leitor responde que não encontrou nada. A palavra está na página 7, você consegue ver.

O arquivo é uma fotografia de papel. Para o computador, cada página é uma imagem, do mesmo tipo de uma foto de cardápio. O que resolve isso tem nome antigo: OCR, sigla em inglês para reconhecimento óptico de caracteres.

O mesmo problema aparece quando você quer mandar uma nota fiscal escaneada para uma IA, colar num e-mail o texto de um print ou montar uma planilha a partir de um extrato em papel.

O OCR costuma acertar a letra e errar a estrutura. O texto sai, mas a tabela, a ordem das colunas e o número com vírgula precisam de conferência humana antes de qualquer uso.

PDF com texto e PDF escaneado: o teste da palavra

Existem dois tipos de PDF que parecem iguais na tela. O primeiro nasce de um programa, como o Word ou o sistema que emite a nota. Ele guarda o texto de verdade, letra por letra, e a busca funciona.

O segundo nasce de um scanner ou de uma foto de celular. Cada página é uma imagem, e o arquivo não sabe que ali tem palavras. Contrato impresso, assinado à caneta e escaneado de volta cai sempre nesse grupo.

O teste é rápido. Abra o arquivo e tente selecionar uma palavra com o mouse. Se o cursor marca só a palavra, o texto existe. Se ele desenha um retângulo sobre a página inteira, ou não marca nada, você tem uma imagem. A busca com Ctrl+F confirma: no PDF escaneado ela não acha nada.

Tem um terceiro caso, mais traiçoeiro. Alguns scanners já entregam o PDF com uma camada de texto invisível por baixo da imagem. A busca funciona, mas o texto escondido é resultado de reconhecimento automático e pode ter os mesmos erros que você veria em qualquer outra conversão.

Como o OCR transforma imagem em texto

O processo segue o caminho do diagrama. Primeiro vem a imagem. Depois, a limpeza: o programa endireita a página torta, aumenta o contraste e separa os blocos de texto das figuras.

Em seguida vem a leitura. Um modelo reconhece cada caractere a partir do formato. Os motores atuais usam redes neurais para isso; o Tesseract, por exemplo, ganhou um motor baseado em rede neural do tipo LSTM a partir da versão 4.

A quarta etapa é a mais delicada. Com as letras reconhecidas, o programa ainda precisa decidir o que é título, o que é parágrafo, qual coluna vem antes e quais números formam uma linha de tabela. Errar essa ordem produz um texto em que cada palavra está certa e o conjunto não faz sentido.

A última etapa fica com você: conferir nome, número e data contra o original.

A qualidade da imagem decide boa parte do resultado. A ajuda do Google Drive pede texto com pelo menos 10 pixels de altura, documento na vertical, fonte comum e foto nítida com luz uniforme. Foto tirada em ângulo, com sombra da mão sobre a folha, já começa perdendo.

O que o OCR erra, e por que isso pesa em nota e contrato

Os erros do OCR seguem padrões conhecidos.

Número é o primeiro. Zero vira letra O, o algarismo 1 vira l minúsculo, 5 vira S, 8 vira B. A vírgula decimal some ou vira ponto, e R$ 1.250,00 pode sair como 1250,00 ou 1.25000. Como o texto continua parecendo plausível, o erro passa sem ninguém notar.

Tabela é o segundo. O programa costuma devolver as células em sequência, uma embaixo da outra, sem a grade. Numa nota fiscal com vinte itens, a quantidade de um produto acaba colada ao preço do produto seguinte.

Coluna dupla é o terceiro. Em revista, edital e alguns contratos, o texto corre em duas colunas. Se a ordem de leitura falha, a linha 1 da coluna da esquerda vem seguida da linha 1 da coluna da direita, e o parágrafo vira mistura.

Carimbo, assinatura e letra de mão fecham a lista. Um carimbo sobre a cláusula apaga palavras. Letra cursiva sai com erro em quase toda ferramenta gratuita, e anotação de caneta na margem entra no meio do texto.

O impacto muda conforme o documento. Num artigo, um erro de letra atrapalha a leitura. Numa nota fiscal, ele troca o valor que entra na contabilidade. Num contrato, ele muda o prazo, a multa ou o número da cláusula que você vai citar numa notificação.

Ferramentas de OCR sem custo para o dia a dia

Para quem só quer o texto de um documento, dois caminhos resolvem sem instalar nada pago.

O Google Drive é o mais conhecido. Você envia o PDF ou a imagem, clica com o botão direito, escolhe "Abrir com" e depois "Documentos Google". Segundo a ajuda do Drive, ele aceita PDF de várias páginas e imagem em JPEG, PNG ou GIF, com até 2 MB. A mesma página avisa que negrito e itálico tendem a ser mantidos, e que listas, tabelas, colunas e notas de rodapé tendem a não ser detectadas.

No iPhone, o Texto ao Vivo reconhece texto em fotos, vídeos e imagens. Ele exige iPhone XS, XR ou posterior com iOS 15 ou mais recente. Você abre a foto, pressiona uma palavra, ajusta a seleção e toca em Copiar. O português do Brasil está na lista de idiomas compatíveis publicada pela Apple. No Mac, o mesmo recurso aparece na Pré-Visualização: você seleciona o texto da imagem, faz Control-clique e escolhe Copiar Texto.

O Microsoft Lens, que muita gente usava para escanear com o celular, foi aposentado. A Microsoft tirou o app das lojas em 9 de fevereiro de 2026, encerrou a digitalização em 9 de março e passou a indicar o scanner do app OneDrive.

Para quem programa: Tesseract e Docling

O Tesseract é um motor de OCR de código aberto. Ele nasceu nos laboratórios da HP em Bristol, virou open source em 2005 e foi desenvolvido pelo Google de 2006 até agosto de 2017. Ele não tem interface gráfica: é uma biblioteca e um programa de linha de comando.

O repositório lista mais de 100 idiomas prontos para uso. A saída pode ser texto puro, hOCR, PDF, PDF só com a camada de texto invisível, TSV, ALTO e PAGE. O formato TSV traz a posição de cada palavra na página, o que ajuda a remontar uma tabela simples com código. O comando básico é tesseract pagina.png saida -l por, com o pacote de português instalado.

O Docling resolve outro problema. O projeto começou na equipe de IA da IBM Research em Zurique e hoje fica sob a LF AI & Data Foundation, com licença MIT. Ele lê PDF, DOCX, PPTX, XLSX e HTML, entende layout, ordem de leitura e estrutura de tabela, e tem OCR para PDF escaneado e imagem.

O ponto forte é a saída. O Docling exporta Markdown, HTML e JSON, formatos que um modelo de linguagem lê bem. Ele também roda localmente, o que importa para dado sensível, e tem integração com LangChain e LlamaIndex. Quem precisa levar contrato ou relatório para uma IA encontra esse passo em como conectar IA aos dados da empresa.

A diferença entre os dois é a mesma entre texto e dado. O Tesseract entrega palavras. O Docling tenta entregar a página com a forma dela, e isso aproxima o documento do que explica o post sobre dados estruturados e não estruturados.

Privacidade: para onde o documento vai

Todo OCR roda em algum lugar. Quando você usa um site de conversão, o arquivo sai do seu computador e fica no servidor de outra empresa, por um tempo e com um acesso que você não controla. Para cardápio e apostila, tanto faz. Para contrato, holerite, nota com CPF ou ficha de cliente, a conta muda, e os detalhes estão no post sobre o custo escondido do conversor de PDF online.

A alternativa é escolher onde o processamento acontece. O Google Docs processa dentro da sua conta, sob as regras que a empresa já aplica ao Drive. O Tesseract e o Docling rodam no seu computador, e o repositório do Docling cita esse uso para dado sensível e ambiente isolado.

Como usar OCR sem levar erro para a planilha

Antes de confiar no texto, siga esta ordem:

1. Faça o teste da palavra. Se o PDF já tem texto, você não precisa de reconhecimento nenhum, e copiar direto evita erro.
2. Melhore a imagem antes de converter. Página reta, luz uniforme e resolução boa rendem mais que trocar de ferramenta.
3. Escolha a ferramenta pela estrutura do documento. Texto corrido vai bem no Google Docs ou no Texto ao Vivo. Tabela pede Docling ou, se forem poucas linhas, digitação.
4. Some as colunas e compare com o total impresso. Se a soma não bate, algum número foi lido errado ou mudou de linha.
5. Confira à mão CNPJ, CPF, datas, valores e nomes próprios. Esses campos não admitem erro de um caractere.
6. Guarde o original ao lado do texto convertido. Quem for auditar precisa ver a imagem de onde o número saiu.
7. Quando o destino for uma IA ou uma planilha, prefira Markdown ou CSV no lugar de texto solto. O cuidado com número que a IA mexe está no post sobre IA para planilhas.

O que fica

A conversão de imagem em texto virou recurso de celular, mas os pontos fracos continuam no mesmo lugar. A própria ajuda do Google Drive avisa que listas, tabelas, colunas e notas de rodapé tendem a não ser detectadas, e é por esses quatro itens que a conferência deve começar.