OCR em PDF sem enviar o documento para a internet

Um PDF que saiu do scanner é, para o computador, uma fotografia. Não dá para buscar uma palavra, copiar um trecho nem indexar o conteúdo. Do lado da administração isso significa um processo que não pode ser pesquisado, o que atrapalha instrução, triagem e a própria transparência.

Daí a exigência aparecer em norma. A digitalização no âmbito federal deve ser feita em PDF com processamento de reconhecimento óptico de caracteres, e há órgãos que repetem a regra em ato próprio: o CADE exige PDF pesquisável nos termos do art. 10, § 2º, da Resolução 11/2014. Os manuais de peticionamento da ANP, da ANA e de outras agências trazem a mesma orientação, quase sempre acompanhada da sugestão de instalar um programa de desktop.

O efeito prático de ignorar isso costuma ser recusa da peça, e quase nunca com uma mensagem que explique o motivo.

Cada página é rasterizada a 200 pontos por polegada, que é a resolução que a norma de digitalização pede, e submetida ao reconhecimento. As palavras encontradas voltam com a posição em que aparecem na imagem.

Em seguida, o PDF original é reaberto e sobre cada página é escrita uma camada de texto invisível, palavra por palavra, na coordenada correspondente. O documento continua com a mesma aparência e praticamente o mesmo tamanho; o que muda é que passa a ser pesquisável e a permitir copiar texto.

A alternativa mais simples de programar seria descartar o original e montar um PDF novo a partir das imagens rasterizadas. Não é o que fazemos, porque degrada a qualidade e costuma aumentar o arquivo, justamente o oposto do que precisa quem está lutando contra um limite de megabytes.

Digitalização torta, clara demais ou de resolução baixa é o que mais atrapalha. Texto manuscrito não é reconhecido de forma confiável, e carimbo sobre texto costuma confundir.

Palavras reconhecidas com pouca confiança são descartadas de propósito. Deixá-las entrar sujaria a busca com lixo que o usuário não vê na página e não consegue explicar quando aparece no resultado.

Se o resultado vier pobre, o caminho mais eficaz é redigitalizar em 200 ou 300 pontos por polegada, em preto e branco, com a folha alinhada. Vale mais do que qualquer ajuste posterior.

As bibliotecas de reconhecimento no navegador normalmente buscam o modelo de idioma numa rede de distribuição de terceiros. Nós servimos o modelo do próprio domínio, e isso não é detalhe de implementação.

Mesmo sem enviar o seu documento, um pedido a um terceiro conta a esse terceiro que alguém, naquele endereço de rede, está fazendo reconhecimento de texto naquele instante. Para quem trabalha com processo sob sigilo, isso já é informação a mais do que o necessário.

O efeito colateral é que a primeira execução baixa alguns megabytes. Depois o navegador guarda em cache, e as execuções seguintes começam de imediato.