O OCR de PDF cuida daqueles arquivos escaneados ou formados por imagens em que o texto não pode ser selecionado: cada página é renderizada a 300 dpi e entregue ao motor tesseract dentro do navegador e, no fim, saem três formatos — o "PDF pesquisável", que mantém a imagem original e acrescenta uma camada de texto invisível; um TXT dividido por "—— Página n ——"; e um DOCX com os parágrafos de cada página e quebras de página entre elas.

Um PDF que já tem camada de texto (dá para selecionar e usar Ctrl+F) não precisa de OCR: o "PDF para Word" ou o "Extrair texto" leem a camada direto, com mais rapidez e precisão. Se o que você tem são apenas imagens soltas, use o "OCR de imagens".

1. 01Escolha o idioma e envie o arquivoo padrão é "chinês simplificado + inglês (recomendado)"; arraste um PDF e veja o total de páginas — acima de 20, o app avisa que "o reconhecimento página a página demora".
2. 02Inicie o reconhecimentoa barra avança em "página x/n · reconhecendo o texto" e a área de texto recebe o resultado de cada página na hora; "Cancelar reconhecimento" mantém as páginas já processadas.
3. 03Revise o texto"Texto reconhecido" aparece separado por página e pode ser editado — as edições valem para o TXT baixado, mas não entram no PDF pesquisável nem no DOCX.
4. 04Exporte"Baixar PDF pesquisável", "Baixar TXT" e "Baixar DOCX" geram <original-name>_pesquisavel.pdf, <original-name>_OCR.txt e <original-name>_OCR.docx. A primeira geração do PDF pesquisável carrega a fonte chinesa Noto Sans SC embutida (cerca de 10 MB, só na primeira vez; depois fica em cache).

Entrada

um PDF; arquivos criptografados mostram "falha ao abrir o PDF; o arquivo pode estar corrompido ou protegido por senha" — nesse caso, remova a senha antes no "Desbloquear PDF"

Tempo

cada página é renderizada a 300 dpi (lado maior de até 4.500 pixels) antes do reconhecimento, então dezenas de páginas podem levar minutos; prefira lotes de até 50 páginas e, se forem muitas, use o "Dividir PDF" antes

Camada de texto

só entram palavras com confiança acima de 20%; termos muito pequenos ou tratados como ruído ficam de fora; símbolos raros que não podem ser codificados contam como "ignorados" e aparecem no aviso final; a área selecionável acompanha o original de perto, mas não no nível do pixel

Fidelidade

o DOCX traz somente os parágrafos reconhecidos (fonte uniforme e quebras de página entre as páginas), sem imagens, tabelas ou layout; no PDF pesquisável, a imagem das páginas é uma nova renderização em JPEG

O que ele não faz

não corrige inclinação nem sombra (fotos tiradas à mão rendem mais depois do "Melhoria de digitalizações"), não traduz e não estrutura tabelas; em PDF com camada de texto, use o "PDF para Word" ou o "Extrair texto"

A renderização e o reconhecimento do PDF acontecem inteiramente no navegador; o conteúdo das páginas não é enviado. O motor e os pacotes de chinês/inglês são hospedados pelo site e precisam ser baixados no primeiro uso; os pacotes de chinês tradicional e japonês vêm do CDN público padrão do tesseract.js; e a primeira geração do PDF pesquisável baixa deste site a fonte Noto Sans SC (cerca de 10 MB) e a mantém em cache. Todas essas requisições trazem apenas motor, pacotes e arquivo de fonte, nunca o seu documento.