OCR de PDF

Não. O motor de leitura, o Tesseract, funciona neste separador do navegador. Da primeira vez que o usa, o motor e o idioma que escolher são descarregados deste site, e não do de outra pessoa qualquer, e o navegador guarda-os. O próprio PDF é lido e reescrito neste dispositivo e nunca é enviado para lado nenhum.

Não. Cada página fica exatamente como estava. As palavras entram como uma camada invisível, colocada por cima do sítio onde aparecem na digitalização, por isso quando seleciona uma frase o realce cai sobre as palavras impressas. Nada é redesenhado nem recomprimido, e o ficheiro cresce uns poucos kilobytes por página.

Inglês, espanhol, francês, alemão, português, italiano, indonésio, malaio, filipino, suaíli, vietnamita, hindi, nepalês, chinês simplificado, japonês e coreano. Escolha aquele em que o documento está escrito; cada um só é descarregado quando o escolhe, e o tamanho aparece antes. O árabe ainda não está disponível: consegue ser lido, mas alguns leitores de PDF mostram o resultado ao contrário, e uma pesquisa que não encontra as palavras não serve para nada.

Alguns segundos por página num computador. Medido numa máquina de 4 núcleos no Chrome, a média foi de 3 a 9 segundos por página: um talão no extremo rápido, uma página inteira de letra miúda de revista no extremo lento, e a página mais carregada demorou 11. Num telemóvel é mais lento. Da primeira vez, o motor de leitura e o idioma são descarregados antes de se ler seja o que for, cerca de 4 MB para inglês, e depois o navegador guarda-os. Pode deixá-lo a trabalhar noutro separador, e «Parar» funciona a qualquer momento.

Em páginas impressas e limpas, quase todas as palavras: em duas páginas de revista e de relatório de um conjunto de teste de OCR padrão, 99% das palavras saíram certas. Em formulários reais digitalizados em alemão, espanhol, francês, japonês e chinês, de 91 a 96%. Em talões de loja digitalizados, com letra miúda em papel térmico, 79%. Os erros concentram-se em nomes, números e letra miúda, por isso confira-os antes de confiar neles. No fim, as páginas que lhe custaram a ler são indicadas.

Ficam exatamente como estão, e a página diz-lhe quais são antes de começar. Lê-las outra vez punha uma segunda cópia de cada palavra por cima da primeira. Se todas as páginas já tiverem texto, a ferramenta avisa e não faz nada.

Não. O Tesseract foi feito para texto impresso. A letra à mão sai sem nexo ou não sai nada, e uma página sem nada legível é indicada quando o trabalho termina.

Sim. No fim há um botão para descarregar o texto como ficheiro .txt, com as páginas por ordem. As páginas que já tinham texto entram tal como estavam.