OCRmyPDF

O que é¶

OCRmyPDF é uma ferramenta gratuita e de código aberto que adiciona uma camada de texto pesquisável a arquivos PDF escaneados, sem alterar a aparência visual do documento original. Por trás dela, usa o Tesseract para o reconhecimento de texto propriamente dito. Foi criada por James R. Barlow e é mantida pela comunidade, com uso testado em milhões de PDFs.

Para que serve¶

Transformar um PDF que é só uma sequência de imagens escaneadas em um PDF onde o texto pode ser selecionado, copiado e buscado
Gerar PDFs no formato PDF/A-2b, adequado para preservação digital de longo prazo
Corrigir automaticamente páginas escaneadas tortas (deskew) e limpar a imagem antes do reconhecimento
Processar arquivos com centenas ou milhares de páginas de uma vez, por linha de comando
Lidar com PDFs "híbridos", que já têm algum texto digital misturado com páginas de imagem

Exemplo de uso¶

Uma equipe de um arquivo institucional digitalizou uma coleção de processos judiciais antigos e gerou PDFs de imagem — que não podem ser buscados por palavra-chave. Um técnico da equipe usa o OCRmyPDF em lote, processando a pasta inteira por um único comando, e gera uma nova versão dos PDFs com camada de texto pesquisável, pronta para ser indexada no sistema de busca do acervo digital.

Quando pode não ser a melhor opção¶

Se o documento for manuscrito: o OCRmyPDF depende do Tesseract, que reconhece texto impresso, não caligrafia — para manuscritos, use ferramentas de HTR como Transkribus
Se você não tem nenhuma familiaridade com linha de comando: não há interface gráfica própria; é preciso rodar comandos no terminal (ou usar uma versão empacotada em Docker)
Se você só tem um ou dois arquivos para processar, sem repetição: um serviço web ou o recurso de OCR embutido em leitores de PDF comerciais pode ser mais rápido de usar pontualmente
A precisão do reconhecimento depende inteiramente da qualidade do Tesseract e da digitalização original — documentos de baixa qualidade produzem resultados piores

Tipo de acesso¶

Totalmente gratuito e de código aberto (licença MPL 2.0).

Sistemas em que roda¶

Windows, macOS e Linux (Debian, Ubuntu, Fedora, Arch, entre outros), além de FreeBSD e OpenBSD. Também disponível como imagem Docker, útil para quem quer evitar instalar as dependências manualmente.

Integrações¶

Tesseract (motor de OCR usado internamente; é uma dependência obrigatória)
Python (linguagem em que o OCRmyPDF é escrito, também disponível como biblioteca)
Ghostscript ou pypdfium2 (usados para processar/rasterizar as páginas do PDF)

Alternativas¶

Adobe Acrobat (proprietário, pago, tem OCR embutido com interface gráfica)
ABBYY FineReader (proprietário, pago, referência em qualidade de OCR)
Google Document AI (serviço pago por uso, alta capacidade, requer configuração técnica)

Aprenda a usar¶

Onde encontrar¶

Repositório: https://github.com/ocrmypdf/OCRmyPDF
Documentação: https://ocrmypdf.readthedocs.io/
Discussões da comunidade: https://github.com/ocrmypdf/OCRmyPDF/discussions

Observações¶

O OCRmyPDF é especialmente útil em projetos de digitalização de acervos que precisam tornar grandes volumes de PDFs escaneados pesquisáveis, sem depender de serviços comerciais pagos. Por gerar PDFs no formato PDF/A-2b (padrão de preservação digital), também é uma opção relevante para instituições preocupadas com a durabilidade dos arquivos digitais a longo prazo, não só com a busca por palavra-chave.