Extração de texto em PDF vs. OCR: escolha o caminho certo antes da tradução

Use a extração de texto quando um PDF já contiver texto legível por máquina e confiável. Use o OCR quando uma página contiver apenas uma imagem de texto. Se uma página tiver uma camada de texto existente que esteja incorreta, nenhuma das regras é suficiente: você precisa comparar as palavras extraídas com a página visível antes de decidir se deve manter, substituir ou refazer essa camada.

Essa decisão deve ser tomada antes da tradução. Um tradutor não consegue recuperar uma quantidade, um nome ou uma frase que entrou incorretamente no fluxo de trabalho. Ele só pode traduzir o texto de origem que recebe.

Tabela de decisão rápida

Teste páginas, não apenas arquivos. Um único PDF pode misturar uma folha de rosto digital, capítulos digitalizados e encartes com OCR antigo.

Conseguir selecionar palavras é apenas uma evidência de que um objeto de texto existe. Isso não prova que o texto corresponde ao conteúdo da página. Por outro lado, um teste de cópia com falha não prova que o PDF inteiro é composto apenas por imagens.

Nosso teste com PDF misto de quatro páginas

Criamos um PDF de quatro páginas para download com conteúdo conhecido. Ele não contém nenhum documento privado ou de terceiros:

1. uma página digital nativa;
2. uma página contendo apenas imagem;
3. uma página com aparência digitalizada e uma camada de texto oculto correta;
4. uma página com aparência digitalizada e uma camada de texto oculto propositadamente incorreta.

Para cada página, executamos o Poppler pdftotext nos dados existentes do PDF. Separadamente, renderizamos a página em 300 dpi e executamos o Tesseract nessa imagem. A referência visível foi definida antes de qualquer um dos testes.

A questão não é que o Tesseract sempre vença. Ele se saiu bem neste teste limpo em inglês porque elaboramos a página justamente para isolar a decisão. Em digitalizações com ruído, escritas incomuns, tabelas, manuscritos ou layouts complexos, um novo OCR pode falhar de maneiras diferentes.

Os resultados página por página, planilha de decisão, notas de reproduçãoe gerador estão disponíveis com o fixture de teste. Em 21 de setembro de 2026, as versões registradas eram Poppler pdftotext 26.08.0 e Tesseract 5.5.3.

O que o teste prova — e o que ele não prova

Ele prova que quatro páginas visualmente legíveis podem exigir três caminhos diferentes de pré-tradução. Também prova que um texto pesquisável pode divergir da página e ainda assim parecer plausível.

Ele não mede a precisão geral do OCR, a acessibilidade para leitores, a recuperação de tabelas, o reconhecimento multilíngue ou o comportamento de upload do BookTranslator. As páginas são simples e os erros na página quatro foram inseridos de forma deliberada; não foram criados pelo Tesseract.

Por que a extração e o OCR são operações diferentes

A extração de texto lê objetos de texto já armazenados no PDF. O OCR reconhece caracteres a partir de pixels. O guia de extração do pypdf atual estabelece o mesmo limite: o pypdf consegue ler uma camada de texto existente, mas não reconhece palavras dentro de uma imagem.

Essa distinção é importante porque um PDF digital pode conter informações que a rasterização descarta ou torna mais difíceis de recuperar: codificações de caracteres, dados de fontes, links, gráficos vetoriais e outros objetos do documento. O pypdf recomenda expressamente não tratar o OCR como o caminho universal para arquivos originalmente digitais. Ele também explica outra limitação: o PDF geralmente armazena texto com foco no posicionamento visual, e não como parágrafos, tabelas ou títulos semânticos.

Portanto, duas perguntas independentes devem fazer parte da verificação prévia:

1. Os caracteres estão corretos? Compare os nomes, números, pontuações e termos incomuns extraídos com a página.
2. A estrutura é utilizável? Leia um parágrafo completo e, em seguida, inspecione colunas, notas de rodapé, tabelas, legendas e quebras de página.

Caracteres corretos na ordem errada continuam sendo uma fonte inadequada para tradução.

Uma verificação prévia página por página antes da tradução

1. Preserve o original

Mantenha o arquivo de origem intocado e registre seu hash caso o documento seja importante. Faça experimentos apenas em cópias. Substituir uma camada de texto imperfeita pode achatar o conteúdo vetorial ou descartar informações de que você precisará mais tarde.

2. Faça um inventário dos tipos de página

Não tome a decisão com base apenas na primeira página. Analise amostras das páginas iniciais, do corpo de texto comum, dos apêndices, das tabelas, das ilustrações, dos encartes e de qualquer página que pareça ter sido fotografada ou fotocopiada.

Para documentos longos, registre os intervalos de páginas:

O CSV para download usa o mesmo padrão para o nosso arquivo de teste.

3. Compare tokens difíceis, não apenas textos fáceis

Frases com boa fluência são verificações fracas. Inclua:

• o nome de uma pessoa;
• uma data e uma quantidade;
• um identificador que mistura letras e números;
• texto com acentos ou caracteres não latinos;
• uma frase que passa por uma quebra de linha;
• um trecho próximo a uma nota de rodapé, figura ou segunda coluna.

A página quatro do nosso exemplo de teste pareceria utilizável se a verificação parasse nas palavras comuns. Os erros estão concentrados em O/0, 58/53e 7.5/7.8— exatamente o tipo de token que pode corromper referências e fatos após a tradução.

4. Classifique a incerteza com honestidade

Use quatro resultados: amostra aprovada, amostra reprovada, nenhum texto extraível ou ainda não testado. “Selecionável” não é um resultado. Nem “o OCR terminou”.

A amostragem tem limites. Passar em três páginas não certifica um livro de 400 páginas, especialmente quando o arquivo contém diferentes digitalizações ou layouts. Aumente a cobertura onde a fonte mudar.

Escolha um modo do OCRmyPDF apenas após o diagnóstico

A documentação atual do OCRmyPDF descreve vários comportamentos para páginas que já contêm texto. Essas são escolhas de roteamento, não garantias de qualidade.

• Comportamento padrão interrompe quando uma página já contém texto imprimível ou uma camada oculta de OCR, porque não consegue discernir com segurança qual tipo foi encontrado.
• Ignorar texto (Skip text) copia páginas que contêm texto sem modificações e aplica OCR nas outras páginas. É útil para um arquivo misto apenas quando o texto existente é confiável.
• Refazer OCR (Redo OCR) remove o texto de OCR não imprimível existente e reconhece a página novamente, excluindo o texto vetorial imprimível. Pode ser adequado para uma combinação de páginas digitais e com OCR anterior, mas não consegue identificar todas as disposições históricas.
• Forçar OCR (Force OCR) rasteriza o conteúdo vetorial e aplica OCR na imagem resultante. Pode substituir uma camada corrompida, mas sacrifica informações e pode achatar conteúdos interativos.

Essa semântica vem da documentação de erros de texto existentedo OCRmyPDF 17.12.1. Leia a documentação da versão instalada antes de executar um lote. O nome de um parâmetro não é evidência de que a saída preservou marcadores, tags, links, formulários ou estrutura acessível.

Em nosso exemplo de teste, ignorar o texto preservaria o texto oculto deliberadamente incorreto da página quatro. É por isso que a etapa de copiar e comparar deve ocorrer antes de selecionar um modo em lote.

Caminhos errados comuns

“Se o texto é selecionável, ignore o OCR”

A página quatro refuta essa regra. A seleção detecta a existência, não a fidelidade.

“Aplique OCR no PDF inteiro para garantir”

Isso pode degradar páginas digitais limpas e descartar objetos úteis do PDF. Também amplia a área necessária de revisão sem corrigir a ordem semântica de leitura de forma automática.

“Use a saída que parecer mais fluida”

A fluência é perigosa aqui. Compare com a página visível. Não deixe um modelo de linguagem corrigir silenciosamente um identificador ou quantidade para depois tratar esse resultado como evidência original.

“Uma página limpa representa o arquivo todo”

PDFs mistos são comuns: uma capa digital pode anteceder capítulos escaneados, ou um livro pesquisável pode conter encartes apenas com imagens. Registre as decisões por intervalo de páginas.

Critérios de validação para um PDF pronto para tradução

Antes de enviar o arquivo para um fluxo de tradução, exija todos os seguintes pontos:

1. Cada intervalo de páginas deve estar classificado como digital, apenas imagem ou OCR existente.
2. Camadas existentes com falhas devem ter um caminho documentado de substituição.
3. Nomes, números, identificadores e termos desconhecidos devem passar na comparação com a fonte nas páginas amostradas.
4. A ordem de parágrafos e colunas deve estar legível no texto de origem extraído.
5. Tabelas, figuras, notas de rodapé e equações devem ser verificadas ou rastreadas explicitamente como elementos separados.
6. O PDF original deve continuar acessível para comparação após a tradução.

Consulte o guia de diagnóstico para copiar e colar quando um PDF com texto já apresentar falhas. Use o fluxo de trabalho para PDFs escaneados quando as páginas forem apenas imagens, e o guia de OCR para múltiplos idiomas quando a seleção de idioma for parte do problema.

Traduza a fonte verificada e revise o resultado

Se o objetivo final for ler um documento completo em outro idioma, envie o PDF verificado para o PDF Translator. Para páginas escaneadas ou ricas em imagens, o Modo OCR do BookTranslator extrai o conteúdo reconhecível e reconstrói um PDF traduzido e limpo; ele não garante a preservação exata do layout original, fontes ou tamanhos de página, nem a correção de todas as camadas de texto ocultas existentes.

Guarde o inventário de páginas e o arquivo original. Após a tradução, repita as verificações de alto risco no arquivo de destino: nomes, quantidades, identificadores, cobertura de páginas, ordem dos parágrafos e qualquer estrutura da qual você dependa. O checklist de garantia de qualidade (QA) para tradução de PDF aborda essa etapa final de validação.

A regra principal é simples: extraia o que já for confiável, use OCR apenas no que realmente exigir reconhecimento e substitua uma camada de texto somente após comprovar que ela está incorreta.