Documentos por Pronto no Clique

Extrair texto de imagem ou PDF digitalizado

Tire o texto de uma foto ou de um PDF escaneado para copiar, corrigir ou baixar.

O Tesseract (OCR aberto) roda no navegador e lê o português impresso de fotos JPG, PNG, WebP ou HEIC e de PDF digitalizado, até 20 páginas por vez. Na primeira leitura são baixados 5,4 MB do próprio site; a foto e o texto não saem do aparelho. OCR erra, principalmente em letra de mão e foto torta: confira antes de usar.

Foto ou PDF digitalizado

JPG, PNG, WebP ou HEIC (várias de uma vez) ou PDF; até 20 páginas e 50 MiB por vez.

Os arquivos são lidos no seu navegador e não são enviados a nenhum servidor.

Leitura

Para foto deitada ou de cabeça para baixo.

Na primeira leitura, o navegador baixa 5,4 MB do próprio Pronto no Clique (o leitor de texto e o modelo do português). Use o Wi-Fi se o seu plano de dados for curto; nas próximas vezes, vem do cache. Sua foto e o texto não saem do aparelho.

Texto extraído

Escolha a foto ou o PDF e clique em “Ler texto”. O texto aparece aqui para corrigir, copiar ou baixar em .txt.

Calculando…

Como funciona

O reconhecimento de caracteres (OCR) é feito pelo Tesseract, um motor de código aberto, rodando no seu navegador em WebAssembly. Nada é enviado: o leitor e o modelo do idioma são baixados do próprio site quando você clica em “Ler texto”, e a foto é lida no aparelho.

Antes de ler, cada página é ampliada se for pequena (o Tesseract precisa de letras com uns 20 pixels de altura) ou reduzida se for enorme, girada se você pediu e passada para tons de cinza. Páginas de PDF são desenhadas pelo pdf.js a 250 ppp. O resultado vem com a confiança média que o próprio Tesseract atribui às palavras, de 0% a 100%.

PDF que já tem texto

Se o PDF tem texto digital (dá para selecionar as palavras), não precisa de OCR: a ferramenta avisa e oferece a extração direta, que é exata e não baixa nada — a mesma do extrator de texto de PDF. Num PDF com páginas dos dois tipos, as páginas com texto são copiadas direto e só as outras passam pelo OCR.

Para ler melhor

Foto de frente, com a folha reta, bem iluminada e sem sombra; o texto deve ocupar a foto quase toda. Se a digitalização está torta ou escura, endireite e limpe antes no limpador de digitalização, baixe em JPG e leia aqui. Tabela de PDF com texto digital vai melhor para planilha pelo extrator de tabelas.

Exemplo para conferir

O exemplo cria no navegador a imagem de um aviso de condomínio com quatro linhas, com acentos e cedilha (“administração”, “reunião”, “às 19h30”, “orçamento”), e lê o texto. Ele também baixa o leitor, como na primeira leitura de verdade.

Limitações

OCR erra. Letra de mão quase nunca sai certa; foto torta, tremida, com sombra ou de baixa resolução sai com palavras trocadas; letras parecidas (rn e m, 0 e O, 1 e l), números e nomes próprios são os erros mais comuns. Confira o texto com o original antes de usar em documento oficial, contrato, petição ou formulário. A ferramenta não verifica se o documento é verdadeiro.

O texto sai corrido, sem negrito, colunas nem tabela; colunas lado a lado podem se misturar. Não gera PDF pesquisável. Até 20 páginas por vez, imagens de até 40 megapixels e 50 MiB no total; cada página leva alguns segundos (mais no celular). PDF protegido por senha não é aberto. Idiomas: português e, se marcado, inglês.

Fontes e revisão

Conteúdo revisado em . A data muda só quando as regras e os textos são conferidos de novo, não a cada atualização técnica do site.

Perguntas frequentes

A foto ou o PDF é enviado para algum servidor?

Não. O leitor de texto (Tesseract, em WebAssembly) roda no seu navegador. Na primeira leitura ele baixa 5,4 MB do próprio Pronto no Clique (o motor e o modelo do português), mas o caminho é só de ida: a imagem, o PDF e o texto lido ficam no aparelho.

Por que precisa baixar arquivos antes de ler?

Para reconhecer letras, o navegador precisa do motor de OCR e de um modelo treinado para o idioma, que juntos têm alguns megabytes. Eles só são baixados quando você clica em “Ler texto”, nesta página: abrir o site ou outras ferramentas não baixa nada disso. O inglês é opcional e soma 3,0 MB.

O OCR lê letra de mão?

Mal. O modelo foi treinado com texto impresso; letra cursiva ou de forma escrita à mão costuma sair com muitos erros ou nem sair. Para manuscrito, digite o texto ou confira palavra por palavra.

O que significa a confiança média?

É a nota que o próprio Tesseract dá às palavras que leu, de 0% a 100%, numa média pesada pelo tamanho do texto. Acima de 85% a leitura costuma ser boa; abaixo de 65%, espere muitas palavras trocadas. Mesmo com nota alta, confira números, nomes e datas: o OCR pode errar com confiança.

Posso usar o texto em documento oficial ou processo?

Só depois de conferir com o original. O OCR troca letras parecidas, perde acentos e pode pular linhas, e um número errado num contrato, petição ou formulário pode causar problema. A ferramenta não certifica o texto nem o documento.

Meu PDF já tem texto. Preciso de OCR?

Não. Se você consegue selecionar as palavras no leitor de PDF, o texto já está lá: a ferramenta percebe e oferece a extração direta, que é exata e instantânea. O OCR serve para PDF digitalizado (scanner ou foto), em que a página é só imagem.

Quantas páginas dá para ler de uma vez?

Até 20 páginas por vez, somando fotos e páginas de PDF. Cada página leva alguns segundos no computador e mais no celular. Para um documento maior, separe o PDF em partes e leia uma de cada vez.

Relacionadas

Ver todas as ferramentas de Documentos · Catálogo completo

Encontrou um erro? Avise por e-mail