Texto dentro de uma imagem não é texto: é desenho. O computador vê pixels, não letras. Por isso não dá para buscar, copiar ou editar o que está numa foto de documento, num print ou num PDF escaneado.
O que resolve isso chama-se reconhecimento óptico de caracteres, ou OCR. O programa identifica as formas, compara com modelos de letra e devolve texto editável.
Dois casos que parecem iguais e não são
PDF com texto de verdade. Foi gerado a partir de um documento, e o texto está lá dentro, só não aparece selecionável em alguns leitores. Extrair é simples, rápido e sai sem erro.
PDF escaneado, ou foto. É uma imagem dentro de um arquivo. Aqui precisa de OCR, e o resultado depende da qualidade da imagem.
O teste para saber em qual caso você está: tente selecionar uma palavra com o cursor. Se selecionar, é texto. Se o cursor marcar um retângulo, é imagem.
A conversão acontece no seu navegador
Esta é a diferença que importa, e vale explicar porque quase nenhum conversor online faz assim.
O padrão do mercado é enviar o arquivo para um servidor, processar lá e devolver o resultado. Funciona, e significa que o seu documento passou pela máquina de outra pessoa. Para um contrato, um holerite ou um documento de identidade, isso é uma decisão que vale tomar com consciência.
As ferramentas daqui carregam o motor de reconhecimento para dentro do navegador e processam o arquivo na sua máquina. O arquivo não sobe. A contrapartida honesta: o primeiro uso baixa o motor, que é grande, e por isso demora mais que um serviço de servidor.
O que decide a qualidade do resultado
- Resolução. Texto pequeno em foto de celular distante erra muito. Aproximar vale mais que aumentar a imagem depois.
- Contraste. Letra preta em papel branco acerta quase tudo. Letra clara sobre fundo colorido é onde o OCR mais tropeça.
- Alinhamento. Página torta derruba a precisão. Vale endireitar antes.
- Tipo de letra. Impresso sai bem. Manuscrito, não: isso é outro problema, bem mais difícil, e nenhuma ferramenta comum de OCR resolve com confiança.
- Tabela e coluna. O texto sai, mas a estrutura normalmente se perde. Tabela complexa quase sempre precisa de ajuste manual depois.
Sempre confira o resultado
OCR não avisa quando erra. Ele devolve uma palavra parecida e segue em frente, e por isso o erro passa despercebido justamente nos lugares onde ele importa mais: números.
As trocas mais comuns são entre caracteres parecidos: 0 e O, 1 e l, 5 e S, 8 e B. Num CPF, num valor ou numa data, isso muda o sentido inteiro sem parecer errado.
A regra prática: texto corrido, dá para confiar e revisar por cima. Número, confira dígito por dígito.
As ferramentas
Para foto, print ou imagem digitalizada, a conversão de imagem para texto aceita JPG e PNG e devolve o texto para copiar.
Para arquivo PDF, a conversão de PDF para texto trata os dois casos: extrai direto quando o texto existe no arquivo e aplica reconhecimento quando a página é imagem.
O resumo
Descubra primeiro se o seu arquivo tem texto ou imagem, porque são problemas diferentes. Para imagem, resolução e contraste decidem o resultado. E confira os números sempre, porque é exatamente onde o reconhecimento erra em silêncio.
