Como aplicar OCR a um PDF digitalizado e torná-lo pesquisável

Um PDF digitalizado é uma imagem, não texto: você não pode pesquisar, selecionar nem copiar seu conteúdo. Este guia mostra as duas vias locais do pdfmcp: aplicar OCR para obter um PDF pesquisável, ou aplicar OCR para obter texto puro, tudo no seu dispositivo, com os ajustes que realmente importam.

Por que um PDF digitalizado não tem texto

Um scanner guarda uma fotografia de cada página. As palavras são pixels dentro de uma imagem, não caracteres, então a pesquisa não encontra nada, selecionar texto não seleciona nada e não há nada para copiar. O OCR (reconhecimento óptico de caracteres) resolve isso: ele lê a imagem de cada página e deduz quais caracteres formam os pixels.

O pdfmcp usa o Tesseract para isso. Há duas operações de OCR, e cada uma responde a uma necessidade diferente. ocr_pdf devolve um PDF com a mesma aparência, mas com uma camada de texto invisível, para que o próprio documento se torne pesquisável e selecionável. ocr_to_text devolve apenas as palavras, como texto puro. As duas rodam localmente.

Escolha a via: PDF pesquisável ou apenas texto

Escolha ocr_pdf quando o documento precisa continuar sendo um documento: um contrato, um relatório ou um arquivo que outras pessoas abrirão, consultarão e citarão. Ele roda localmente com o pacote pdfmcp, porque criar um PDF pesquisável limpo exige maquinaria pesada. Páginas que já têm uma camada de texto passam inalteradas e são relatadas como ignoradas, então executá-lo em um documento misto é seguro.

Escolha ocr_to_text quando você só precisa das palavras: para colar em uma nota, passar a um script ou ler o que um scan diz. No site, roda no seu dispositivo, no seu navegador, e seu arquivo nunca é enviado; note que a versão da web no dispositivo inclui apenas inglês. A mesma operação com o pacote local pode configurar o idioma.

Criar um PDF pesquisável, passo a passo

1) Instale o pacote pdfmcp uma única vez (veja a página MCP). 2) Execute a operação ocr_pdf sobre seu arquivo, com o pacote local, um agente conectado por MCP local ou seu próprio código. 3) Abra o resultado e confira: pesquise uma palavra que você consegue ver na página. Se a pesquisa a encontra e a destaca no lugar certo, a camada de texto está aplicada.

Se você trabalha por meio de um agente de IA, esses mesmos passos se reduzem a um único pedido: conecte o servidor MCP local uma vez (veja os guias de configuração) e depois peça ao agente para aplicar OCR ao arquivo. Tudo acontece na sua máquina.

Os ajustes que importam: idioma, DPI e páginas

O idioma é o ajuste em que as pessoas mais erram. O padrão é eng (inglês). Para outros idiomas, configure o parâmetro de idioma com um código de idioma do Tesseract, ou combine códigos: eng+deu para um documento que mistura inglês e alemão, por exemplo. Os dados de idioma são baixados uma única vez no primeiro uso e ficam na sua máquina. Escolher o idioma em que o documento realmente está escrito importa muito mais que qualquer outro ajuste.

O DPI tem padrão de 300 e pode ser configurado entre 150 e 600: é a resolução em que cada página é renderizada antes do reconhecimento. Deixe em 300 para scans normais; um valor maior pode ajudar com letras pequenas, ao custo de um trabalho mais lento na sua máquina. Por fim, o parâmetro de páginas limita o trabalho às páginas que você indicar (1-3,5,8, por exemplo), que é a forma mais rápida de testar seus ajustes em poucas páginas antes de processar um documento longo.

Limites, privacidade e os limites honestos

Na prática, seu dispositivo limita você: memória e velocidade, e no navegador arquivos de até cerca de 100 MB e 500 páginas. Documentos muito longos demoram o que sua máquina demorar; dividir um scan enorme em partes continua sendo uma boa ideia.

A privacidade segue as regras do pdfmcp, sem nenhuma afirmação mais forte do que a que o próprio site faz: tudo roda localmente, seu arquivo nunca é enviado, nunca é armazenado em nenhum servidor e nunca é usado para treinar IA. E o limite honesto: o OCR lê texto impresso a partir de um scan razoavelmente nítido. Escrita à mão, scans de contraste muito baixo e páginas danificadas produzirão erros: o resultado é uma camada de texto de melhor esforço, não uma transcrição certificada, então confira nomes e números importantes na imagem da página.

Experimente grátis no seu navegador

Perguntas frequentes

O OCR é gratuito no pdfmcp?

Sim, grátis para sempre. A ferramenta de OCR para texto no dispositivo é gratuita e não exige nenhuma conta. O OCR completo com o pacote local também é gratuito, sem chave e sem cota diária. Não há nenhum plano pago.

O OCR mudará a aparência do meu PDF?

O ocr_pdf adiciona uma camada de texto invisível; as imagens das páginas ficam como estavam. Páginas que já têm texto passam inalteradas e são relatadas como ignoradas.

Quais idiomas o OCR pode ler?

Com o pacote local, configure o parâmetro de idioma com um código de idioma do Tesseract (eng por padrão; combinações como eng+deu funcionam): os dados de idioma são baixados uma única vez no primeiro uso. A ferramenta da web de OCR para texto no dispositivo inclui apenas inglês.

Por que meu scan grande demora?

O OCR é um trabalho pesado e roda na sua máquina, então um scan muito longo demora o que seu computador demorar. Divida o documento em partes menores e aplique OCR a essas partes, ou, se o arquivo já tiver uma camada de texto, extraia esse texto com pdf_to_text.

O OCR funciona com escrita à mão?

Ele foi feito para texto impresso. Escrita à mão e scans de baixa qualidade podem produzir erros, então verifique os detalhes críticos na imagem original da página.

Publicado originalmente em https://pdfmcp.org/guides/how-to-ocr-a-scanned-pdf/