PDF digitalizado para Markdown

Como o OCR funciona aqui

Um PDF digitalizado guarda imagens de páginas, não texto. Para tirar Markdown dele, cada imagem precisa ser lida por um modelo de reconhecimento de texto. Na maioria dos sites isso significa enviar o arquivo para um servidor. Aqui é o modelo que vem até você:

1. O conversor olha cada página. Páginas que já têm camada de texto são lidas diretamente, o que é mais rápido e exato. Páginas sem camada de texto, ou com uma feita de caracteres que não correspondem a letras, vão para o OCR.
2. A página é desenhada como imagem na aba, com resolução suficiente para letras miúdas.
3. Um modelo de detecção encontra as linhas de texto e um modelo de reconhecimento lê cada linha. Os dois são modelos do PaddleOCR (Apache 2.0) rodando em WebAssembly, em várias threads quando o navegador permite.
4. As linhas voltam à ordem de leitura: os parágrafos são reunidos, os títulos são deduzidos pela altura da linha e as linhas alinhadas em colunas são reconstruídas como tabelas. Depois disso, a página vira Markdown como qualquer outra.

A primeira digitalização que você converte baixa o modelo: cerca de 6 MB para alfabeto latino e chinês, cerca de 20 MB para japonês ou coreano. Depois ele fica em cache, e o OCR começa na hora.

Qual é a velocidade?

Em um notebook recente, uma página comum leva de dois a quatro segundos depois que o modelo carregou. Celulares são mais lentos, e uma página de letra minúscula e densa demora mais do que uma carta. A linha de progresso mostra qual página está sendo lida, e Cancelar interrompe a qualquer momento. As páginas já lidas ficam guardadas, então ao recomeçar ele continua de onde parou.

Se só algumas páginas são digitalizadas, só elas passam pelo OCR. Um relatório de 200 páginas com três páginas digitalizadas no anexo é convertido quase tão rápido quanto um sem nenhuma.

Confira as páginas em que o OCR ficou inseguro

Modelos de reconhecimento são bons, não perfeitos. Em vez de deixar você revisar tudo, o conversor guarda a confiança do modelo em cada linha. Uma página em que alguma linha ficou abaixo do limite é sinalizada em Páginas a conferir com o rótulo "OCR inseguro em algumas palavras", e a imagem da página fica ao lado do Markdown para você comparar.

É aqui também que se resolve o problema oposto. Alguns PDFs têm uma camada de texto quebrada: fontes mapeadas para os caracteres errados, de modo que o texto não faz sentido. Essas páginas são sinalizadas como texto embaralhado, e Ler esta página com OCR lê só aquela página a partir da imagem.

Escolha o modelo certo

A escolha fica salva para a próxima visita. Um documento que mistura inglês com um dos outros idiomas é lido melhor pelo modelo do outro idioma, já que cada modelo também conhece letras latinas e dígitos.

Tire resultados melhores de uma digitalização

• Digitalize a 300 dpi se for você quem digitaliza. Abaixo de 200 dpi, a letra miúda começa a virar letras erradas.
• Páginas retas são lidas melhor. Uma página fotografada de lado, ou que se curva na lombada de um livro, pode perder palavras perto das bordas.
• Use Todas as páginas em Páginas digitalizadas quando o PDF tiver uma camada de texto em que você não confia, como a gerada pelo OCR de um scanner antigo. O conversor a ignora e lê cada página sozinho.
• Converta um intervalo de páginas em digitalizações longas no celular, para não estourar a memória.

O que o OCR ainda não faz

• Escrita à mão não é suportada; os modelos são treinados com texto impresso.
• Tabelas apertadas ou tortas. Uma tabela digitalizada vira tabela Markdown quando as colunas estão bem alinhadas. Colunas muito juntas, ou uma página digitalizada torta, podem sair como linhas de texto. Mais em tabela de PDF para Markdown.
• Fórmulas saem como os caracteres que o modelo vê, não como LaTeX.
• Idiomas fora dos modelos acima, como árabe, hebraico, cirílico, grego, tailandês ou hindi, não têm OCR. PDFs nesses idiomas que têm camada de texto são convertidos normalmente, porque não precisam de OCR.

O OCR no navegador é privado?

Sim. Cada página é desenhada e lida dentro desta aba, e o texto fica na memória dela até você copiar ou baixar. Nada da página, nem a imagem nem o texto, é enviado para lugar nenhum. Por isso serve para contratos digitalizados, laudos médicos e outros papéis que você prefere não enviar. Você pode acompanhar o painel de rede das ferramentas de desenvolvedor enquanto ele roda: nenhuma requisição leva o seu arquivo ou o texto dele.

Perguntas frequentes

Ele converte a foto de um documento?

Coloque a foto em um PDF primeiro; a maioria dos celulares salva uma digitalização ou foto como PDF pelo menu de compartilhar. Depois solte o PDF aqui. Arquivos de imagem ainda não são aceitos diretamente.

Por que a primeira digitalização demora mais?

O modelo de OCR é baixado na primeira vez, uma vez só. As digitalizações seguintes, mesmo em outros dias, começam sem essa espera enquanto o navegador mantiver o cache.

Minha digitalização tem camada de texto, mas o texto está errado. E agora?

Essa camada de texto veio do OCR que o scanner rodou, e pode ser ruim. Escolha Todas as páginas em Páginas digitalizadas e converta de novo, ou use Ler esta página com OCR nas páginas que parecerem erradas.

Funciona offline?

Depois que a conversão começou e o modelo está no cache, ele não precisa da rede. Se a conexão cair no meio, o processo continua.