Extração de Texto de PDF vs. OCR: Escolha o Caminho Certo Antes da Tradução
Teste cada página do PDF antes da tradução. Utilize esta experiência com ficheiros mistos para decidir quando manter o texto existente, executar OCR ou substituir uma camada de texto incorreta.
Utilize a extração de texto quando um PDF já contiver texto legível por máquina fiável. Utilize 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: é necessário 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 tenha entrado incorretamente no fluxo de trabalho. Apenas pode traduzir o texto de origem que recebe.
Tabela de decisão rápida
Teste páginas, não apenas ficheiros. Um único PDF pode combinar uma folha de rosto digital, capítulos digitalizados e encartes com OCR antigo.
| O que a página contém | O que a extração devolve | Primeiro caminho | O que deve ser verificado |
|---|---|---|---|
| Texto originalmente digital | As mesmas palavras apresentadas na página | Manter e extrair | Carateres, ordem, cabeçalhos, hiperligações e uma amostra mais ampla |
| Apenas imagem da página | Resultado vazio ou quase vazio | Fazer OCR dessa página | Nomes, números, parágrafos, colunas e idioma |
| Digitalização com texto oculto preciso | Texto correspondente à imagem | Geralmente manter | Excertos representativos e esquemas complexos |
| Digitalização com texto oculto impreciso | Palavras ou números plausíveis, mas incorretos | Substituir ou refazer a camada de OCR | A falha conhecida, seguida de uma nova amostra |
| Texto digital com mapeamento ou ordem corrompidos | Carateres ilegíveis ou ordem de leitura baralhada | Diagnosticar antes do OCR | Se uma exportação ou método de extração melhor preserva mais estrutura |
Conseguir selecionar palavras apenas prova que existe um objeto de texto. Não prova que o texto corresponde à página. Por outro lado, um teste de cópia com falhas não prova que o PDF inteiro é composto apenas por imagens.
O nosso teste de quatro páginas com um PDF misto
Criámos um PDF de quatro páginas transferível com conteúdo conhecido. Não contém qualquer documento privado ou de terceiros:
- uma página digital de raiz;
- uma página composta apenas por imagem;
- uma página com aspeto de digitalização e uma camada de texto oculto correta;
- uma página com aspeto de digitalização e uma camada de texto oculto deliberadamente enganadora.
Para cada página, executámos o Poppler pdftotext sobre os dados existentes do PDF. Separadamente, renderizámos a página a 300 dpi e executámos o Tesseract sobre essa imagem. A referência visível foi fixada antes de qualquer um dos testes.
| Página | Extração existente | OCR a partir da página renderizada | Decisão sustentada por este teste |
|---|---|---|---|
| Texto digital | Correspondeu à referência visível | Também correspondeu | Mantenha o texto digital existente; o OCR não acrescenta valor aqui |
| Apenas imagem | Vazio | Correspondeu | O OCR é necessário se for preciso texto legível por máquina |
| OCR oculto correto | Correspondeu | Correspondeu | A camada existente passou nesta amostra controlada |
| OCR oculto enganador | Devolveu DX-4O7, 53 foliose section 7.8 | Devolveu o texto visível DX-407, 58 foliose section 7.5 | Não se deve confiar na camada selecionável |
A questão não é que o Tesseract vença sempre. Venceu neste exemplo limpo em inglês porque concebemos a página para isolar a decisão. Em digitalizações com ruído, alfabetos invulgares, tabelas, escrita manual ou esquemas visuais complexos, um novo OCR pode falhar de formas distintas.
Os resultados página a página, folha de decisão, notas de reproduçãoe o gerador estão disponíveis com o fixture. A 21 de setembro de 2026, as versões registadas eram o Poppler pdftotext 26.08.0 e o Tesseract 5.5.3.
O que o teste prova — e o que não prova
Prova que quatro páginas visualmente legíveis podem exigir três caminhos de pré-tradução distintos. Prova também que o texto pesquisável pode divergir da página e, ainda assim, parecer plausível.
Não mede a precisão geral do OCR, a acessibilidade para leitores de ecrã, a recuperação de tabelas, o reconhecimento multilingue ou o comportamento de upload do BookTranslator. As páginas são simples e os erros na página quatro foram inseridos deliberadamente; não foram criados pelo Tesseract.
Por que razão a extração e o OCR são operações distintas
A extração de texto lê objetos de texto já armazenados no PDF. O OCR reconhece carateres a partir de píxeis. O atual guia de extração do pypdf estabelece o mesmo limite: o pypdf consegue ler uma camada de texto existente, mas não consegue reconhecer palavras dentro de uma imagem.
Esta distinção é importante porque um PDF digital pode conter informação que a rasterização descarta ou torna mais difícil de recuperar: codificações de carateres, dados de tipos de letra, hiperligações, gráficos vetoriais e outros objetos do documento. O pypdf desaconselha explicitamente o recurso ao OCR como solução universal para ficheiros de origem digital. Explica ainda outra limitação: o PDF costuma armazenar texto tendo em conta a sua disposição visual e não enquanto parágrafos, tabelas ou títulos semânticos.
Por isso, a verificação prévia deve responder a duas questões independentes:
- Os carateres estão corretos? Compare os nomes, números, pontuação e termos invulgares extraídos com a página.
- A estrutura é utilizável? Leia um parágrafo completo e, em seguida, inspecione colunas, notas de rodapé, tabelas, legendas e quebras de página.
Carateres corretos na ordem errada continuam a ser uma fonte inviável para tradução.
Verificação prévia página a página antes da tradução
1. Preservar o original
Mantenha o ficheiro de origem inalterado e registe o seu hash caso o documento seja importante. Realize testes em cópias. Substituir uma camada de texto imperfeita pode rasterizar conteúdo vetorial ou descartar informação necessária mais tarde.
2. Fazer o levantamento dos tipos de página
Não tome uma decisão com base apenas na primeira página. Analise páginas preliminares, páginas normais de texto corrido, apêndices, tabelas, ilustrações, encartes e qualquer página que pareça ter sido fotografada ou fotocopiada.
Em documentos extensos, registe os intervalos de páginas:
| Intervalo | Tipo observado | Excerto de teste | Resultado | Caminho planeado |
|---|---|---|---|---|
| 1–4 | Páginas preliminares digitais | Título, autor, edição | Corresponde | Manter a extração |
| 5–126 | Digitalizações de páginas | Um parágrafo e dois números | Sem texto | OCR |
| 127–133 | Inserção pesquisável | Nome, data, linha de tabela | Dois erros | Substituir o OCR existente |
O CSV descarregável utiliza o mesmo padrão para o nosso conjunto de teste.
3. Compare elementos difíceis, não apenas prosa simples
Frases com aspeto fluente são verificações fracas. Inclua:
- o nome de uma pessoa;
- uma data e uma quantidade;
- um identificador que combine letras e números;
- texto com acentos ou caracteres não latinos;
- uma frase que atravesse uma quebra de linha;
- uma passagem junto a uma nota de rodapé, figura ou segunda coluna.
A página quatro no nosso ficheiro de teste pareceria utilizável se a verificação se ficasse pelas palavras comuns. Os erros concentram-se em O/0, 58/53e 7.5/7.8—precisamente o tipo de elementos que podem corromper referências e factos após a tradução.
4. Classifique a incerteza com honestidade
Utilize quatro resultados possíveis: amostra aprovada, amostra reprovada, sem texto extraível ou ainda não testado. «Selecionável» não é um resultado. Nem «o OCR terminou».
A amostragem tem limites. A aprovação de três páginas não certifica um livro de 400 páginas, especialmente quando o ficheiro contém digitalizações ou esquemas visuais diferentes. Aumente a cobertura nos pontos onde a fonte se altera.
Escolha um modo do OCRmyPDF apenas após o diagnóstico
A documentação atual do OCRmyPDF descreve vários comportamentos para páginas que já contêm texto. Trata-se de escolhas de encaminhamento, não de garantias de qualidade.
- Comportamento predefinido interrompe o processo quando uma página já contém texto imprimível ou uma camada de OCR oculta, porque não consegue distinguir de forma fiável que tipo de texto encontrou.
- Ignorar texto copia as páginas que contêm texto sem qualquer modificação e aplica OCR às restantes páginas. Apenas é útil para ficheiros mistos se o texto existente for de confiança.
- Refazer OCR remove o texto de OCR não imprimível existente e volta a reconhecer a página, excluindo texto vetorial imprimível. Pode ser adequado para uma mistura de páginas digitais e páginas previamente submetidas a OCR, mas não consegue identificar todas as configurações históricas.
- Forçar OCR rasteriza o conteúdo vetorial e aplica OCR à imagem resultante. Consegue substituir uma camada com falhas, mas sacrifica informação e pode nivelar conteúdo interativo.
Esta semântica tem origem na documentação de erros para texto existentedo OCRmyPDF 17.12.1. Leia a documentação da versão instalada antes de executar um processamento em lote. O nome de um parâmetro não é prova de que o resultado final preservou marcadores, etiquetas, ligações, formulários ou estrutura acessível.
No nosso ficheiro de teste, a opção de ignorar texto preservaria o texto oculto deliberadamente errado da página quatro. É por isso que a validação por cópia e comparação tem de ocorrer antes de selecionar um modo de processamento em lote.
Erros comuns de abordagem
«Se o texto é selecionável, ignore o OCR»
A página quatro refuta essa regra. A seleção deteta a existência, não a fidelidade.
«Aplique OCR a todo o PDF pelo sim, pelo não»
Isso pode degradar páginas digitais limpas e descartar objetos PDF úteis. Também cria uma área de revisão maior sem corrigir automaticamente a ordem semântica de leitura.
«Usar o resultado que parecer mais fluente»
A fluência é perigosa neste caso. Compare com a página visível. Não deixe que um modelo de linguagem repare silenciosamente um identificador ou uma quantidade e, depois, trate o resultado como evidência do original.
«Uma página limpa é representativa de todo o ficheiro»
Os PDFs mistos são frequentes: uma capa digital pode anteceder capítulos digitalizados, ou um livro pesquisável pode conter encartes apenas com imagens. Registe as decisões por intervalo de páginas.
O critério de aprovação para um PDF pronto para tradução
Antes de enviar o ficheiro para um fluxo de trabalho de tradução, garanta todos os seguintes pontos:
- Cada intervalo de páginas está classificado como digital, apenas de imagem ou com OCR existente.
- As camadas existentes com falhas têm um plano documentado de substituição.
- Nomes, números, identificadores e termos desconhecidos passam na comparação com o original nas páginas de amostra.
- A ordem de parágrafos e colunas é legível no texto fonte extraído.
- Tabelas, figuras, notas de rodapé e equações foram verificadas ou explicitamente monitorizadas como elementos separados.
- O PDF original continua disponível para comparação pós-tradução.
Consulte o guia de diagnóstico de copiar e colar quando um PDF com texto já apresentar falhas. Utilize o fluxo de trabalho para PDFs digitalizados quando as páginas forem compostas apenas por imagens, e o guia de OCR para múltiplos idiomas quando a seleção de idioma fizer parte da falha.
Traduza o texto fonte verificado e, em seguida, reveja o resultado
Se o objetivo final for ler um documento completo noutro idioma, carregue o PDF verificado no PDF Translator. Para páginas digitalizadas ou com muitas imagens, o OCR Mode do BookTranslator extrai o conteúdo reconhecível e reconstrói um PDF traduzido e limpo; não garante a preservação exata da paginação, dos tipos de letra ou dos tamanhos originais, nem a reparação de todas as camadas de texto oculto existentes.
Guarde o seu inventário de páginas e o ficheiro original. Após a tradução, repita as verificações de alto risco no documento de destino: nomes, quantidades, identificadores, cobertura de páginas, ordem dos parágrafos e qualquer estrutura em que confie. A lista de controlo de garantia de qualidade para tradução de PDF abrange essa etapa final de aceitação.
A regra principal é simples: extraia o que já for fiável, aplique OCR apenas ao que necessitar de reconhecimento e substitua uma camada de texto só depois de provar que está incorreta.
Publicações relacionadas
