Texto visível pode não ser extraível
Uma digitalização e uma página exportada por editor podem parecer iguais, mas as letras da primeira talvez sejam apenas imagem. O contador não reconhece essas formas automaticamente.
Busque uma palavra pouco comum e copie uma frase. Uma busca falha também pode indicar reconhecimento incorreto. Confira início, meio, fim e páginas giradas ou fracas. Um título selecionável não verifica todas as páginas.
O que o reconhecimento muda
O OCR tenta converter imagens de letras em caracteres. A documentação da Adobe permite escolher idioma e páginas para produzir texto pesquisável e copiável.
Sombras, inclinação e marcas podem causar erros enquanto a imagem continua parecendo correta sobre o texto reconhecido. Examine o conteúdo copiado. Preserve o original e salve o resultado com outro nome para rastrear correções.
Escolha amostras reveladoras
Inclua acentos, números, nomes, mudanças de parágrafo, notas e legendas existentes. Teste o que importa à entrega, não apenas palavras fáceis.
Registre texto visível, texto copiado e correção em colunas. Trocar O por 0 altera códigos sem mudar a extensão. Confira formas incomuns na imagem; reconhecimento não deve virar reescrita por intuição.
Erros que mudam a contagem
Espaços inseridos dividem palavras; ausentes as unem. Hífens de fim de linha podem permanecer e acentos perdidos podem alterar conteúdo sem mudar as palavras.
Confira títulos, notas e números de página. Rodapés repetidos acrescentam texto; tabelas podem perder relações. Não escolha apenas o total que parece melhor. Defina o escopo e verifique cada parte uma vez e na ordem correta.
Siga um processo conferível
Trabalhe em intervalos de páginas que consiga revisar. Compare amostras reconhecidas com imagens; um capítulo bom não representa digitalizações de qualidades diferentes. Separe regiões que exijam transcrição manual.
Use o contador quando o texto estiver legível. Nosso importador não executa OCR. A contagem local não informa a privacidade do reconhecimento anterior: confira o tratamento do arquivo antes de enviar material sigiloso.
Meça a saída corrigida
Dez linhas com uma palavra separada erroneamente em duas podem acrescentar dez palavras preservando quase todas as letras. Reunir corretamente reduz a contagem sem perder conteúdo.
Registre se mediu extração bruta, cópia corrigida ou transcrição revisada. Uma amostra identifica falhas sem certificar precisão percentual do arquivo. Para cartelle italianas, combine versão e inclusão ou cobrança separada da correção OCR.
Quando pedir outro arquivo
Se regiões desaparecerem, colunas se misturarem ou símbolos essenciais seguirem ilegíveis, peça original digital, melhor digitalização ou transcrição autorizada. Repetir OCR pode não resolver; adivinhar pode inventar conteúdo.
Estimativa declarada de trabalho difere de escopo verificado para entrega. Consulte contagem de PDF e hifenização copiada. Reconhecimento, ordem e reparo são verificações separadas.
Totais iguais não provam precisão
Os literais italianos “casa” e “cosa” têm quatro letras e uma palavra, mas conteúdos diferentes. A substituição preserva números.
Confira palavras, números e pontuação para estabelecer significado e depois meça extensão. Reimportações estáveis demonstram repetibilidade, não fidelidade do OCR. Registre dúvidas em vez de substituir pelo que esperava encontrar.
Conferir uma cópia OCR
| Original | Possível transcrição | Efeito |
|---|---|---|
| Uma palavra | Dois fragmentos | Mais palavras |
| Número em código | Letra parecida | Dado alterado com igual extensão |
| Letra acentuada | Letra sem acento | Palavras podem permanecer iguais |
| Colunas separadas | Linhas alternadas | Texto incoerente com total plausível |
Fontes e verificações
- Adobe: Recognize text in scanned PDFs · Creating searchable text with OCR and choosing language and page ranges
- PDF.js: PDFPageProxy and getTextContent · Extracting existing page text; text extraction is distinct from OCR