Como torno um PDF pesquisável com o Tesseract?

Converta as páginas do PDF em imagens (por exemplo com pdftoppm a 300 DPI) e depois execute `tesseract pagina.tif saida pdf`. Para um PDF de várias páginas em um passo, use OCRmyPDF: `ocrmypdf entrada.pdf saida.pdf`.

Por que o Tesseract precisa de imagens em vez de PDF?

O Tesseract é um motor de OCR que reconhece imagens raster (TIFF, PNG, JPEG etc.). Um PDF é um contêiner que pode conter texto vetorial ou imagens digitalizadas, então as páginas precisam ser rasterizadas antes que o Tesseract possa lê-las.

Como aplico OCR a um PDF em Python?

Use pdf2image (que precisa do poppler) para converter as páginas em imagens, execute pytesseract em cada uma e combine com `image_to_pdf_or_hocr(page, extension='pdf')` e pypdf.

Qual DPI devo usar para OCR de PDF?

300 DPI é o equilíbrio padrão entre precisão e velocidade. Use 600 DPI para fontes pequenas ou arquivamento de alta fidelidade, e evite abaixo de 200 DPI, onde a precisão cai muito.

Por que o PDF de saída fica em branco ou sem texto?

As causas comuns são a ausência de camada de texto (o OCR não foi executado), idioma errado ou uma imagem digitalizada com resolução muito baixa. Confirme que a ferramenta informou sucesso e procure uma palavra conhecida no PDF.

Tesseract OCR para PDF — Extrair texto e criar PDFs pesquisáveis

Resumo (um comando)

Para um PDF real de várias páginas, o OCRmyPDF é o caminho mais rápido.

bash

pip install ocrmypdf      # ou: apt install ocrmypdf
ocrmypdf entrada.pdf saida.pdf

Sem o OCRmyPDF? Rasterize e use a CLI do Tesseract diretamente — veja abaixo.

Por que os PDFs precisam ser rasterizados

O Tesseract reconhece imagens, não contêineres PDF.

Um PDF é um contêiner: pode conter texto vetorial, fontes incorporadas ou imagens de páginas digitalizadas. O Tesseract lê imagens raster (TIFF, PNG, JPEG, WebP…), então as páginas precisam ser convertidas em imagens primeiro. Escolha o rasterizador conforme o que você tem instalado:

Ferramenta	Instalação	Notas
`pdftoppm` (poppler)	`apt install poppler-utils`	Rápido, scriptável, a escolha clássica
`pdftocairo` (poppler)	poppler-utils	Semelhante ao pdftoppm, saída Cairo
ImageMagick	`apt install imagemagick`	`convert -density 300 in.pdf out.tif`
PyMuPDF	`pip install pymupdf`	Python puro, sem binários externos
pdf2image	`pip install pdf2image`	Wrapper de Python sobre o poppler

bash

# PDF -> um PNG por página a 300 DPI
pdftoppm -png -r 300 entrada.pdf pagina

O DPI é o mais importante: 300 DPI é o equilíbrio padrão; 600 DPI para fontes pequenas ou arquivamento; evite abaixo de 200 DPI.

Criar um PDF pesquisável com a CLI do Tesseract

Uma imagem vira uma página de PDF pesquisável com a configuração de saída pdf.

bash

# Imagem -> PDF pesquisável
tesseract pagina-1.png saida pdf

# Apenas camada de texto (sem imagem visível)
tesseract digitalizado.png saida textonly_pdf

# Várias páginas em um PDF: passe uma lista de imagens
tesseract listaimagens.txt saida pdf

Para um PDF de várias páginas, coloque cada caminho de imagem em sua própria linha em listaimagens.txt. Referência completa de formatos: documentação.

Método B — OCRmyPDF (recomendado para PDFs reais)

O OCRmyPDF cuida de rasterizar, OCR, alinhamento, rotação e da camada de texto invisível em um comando.

bash

ocrmypdf entrada.pdf saida.pdf                    # básico
ocrmypdf -l eng+por entrada.pdf saida.pdf         # idiomas
ocrmypdf --deskew --rotate-pages entrada.pdf saida.pdf
ocrmypdf --optimize 2 entrada.pdf saida.pdf       # reduz o arquivo
ocrmypdf --skip-text entrada.pdf saida.pdf        # mantém páginas com texto

O OCRmyPDF usa o Tesseract por baixo e requer Ghostscript e as ferramentas do poppler. Opções úteis: --force-ocr, --redo-ocr, --pages 1-10.

Método C — pdfsandwich

Um wrapper mais leve que adiciona uma camada de texto e aplica pré-processamento como alinhamento.

bash

pdfsandwich digitalizado.pdf          # gera digitalizado_ocr.pdf
pdfsandwich -lang eng+por digitalizado.pdf

Método D — Python de ponta a ponta

Use pdf2image para rasterizar e pytesseract para montar o PDF pesquisável, depois combine com pypdf.

pdf.py

import io, pytesseract
from pdf2image import convert_from_path
from pypdf import PdfWriter, PdfReader

pages = convert_from_path("entrada.pdf", dpi=300)   # precisa do poppler
writer = PdfWriter()
for page in pages:
    pdf_bytes = pytesseract.image_to_pdf_or_hocr(page, extension="pdf", lang="por")
    writer.add_page(PdfReader(io.BytesIO(pdf_bytes)).pages[0])
with open("saida.pdf", "wb") as f:
    writer.write(f)

No Windows, passe a pasta bin do poppler com poppler_path=. Mais detalhes no guia do pytesseract.

Qual método devo usar?

Método	Ideal para	Configuração	Várias páginas
OCRmyPDF	PDFs reais, automação	Ghostscript + poppler	Sim, em um comando
pdfsandwich	Camada de texto rápida com pré-processamento	poppler + ImageMagick	Sim
CLI do Tesseract	Imagens ou listas de imagens	Apenas o Tesseract	Com uma lista de imagens
Python (pdf2image)	Pipelines e lógica personalizada	poppler + pytesseract	Loop e combinação

Fidelidade de layout e sobreposição de texto

Por que os PDFs pesquisáveis às vezes parecem desalinhados e como manter a geometria.

A camada de texto invisível é posicionada usando as caixas de palavras do OCR; se o DPI estiver errado, a sobreposição pode desviar.
Use saída hOCR ou ALTO quando precisar de coordenadas exatas para destaque ou arquivamento.
pdftoppm -r 300 e o mesmo tamanho da página original mantêm a sobreposição alinhada.
Para layouts complexos, prefira o OCRmyPDF, que preserva a imagem original e adiciona a camada no lugar.

Qualidade e desempenho

DPI: 300 padrão, 600 para texto pequeno ou arquivamento.
Intervalos de páginas: processe apenas o necessário (--pages no OCRmyPDF ou recorte a lista).
Paralelismo: aplique OCR às páginas em paralelo e depois combine.
Tamanho: use --optimize / compressão JPEG, ou reduza o DPI após o OCR.
Pré-processamento: alinhe e remova ruído antes do OCR.

Solução de problemas

Sintoma	Causa	Solução
`Unable to get page count. Is poppler installed?`	O pdf2image não encontra o poppler	Instale poppler-utils ou defina `poppler_path` no Windows.
O PDF de saída não tem texto pesquisável	O OCR não foi executado ou o idioma está errado	Confirme o sucesso e defina `-l`/`--language` para o idioma do documento.
A sobreposição de texto está desalinhada	DPI ou tamanho de página errados	Rasterize a 300 DPI com o tamanho original.
O arquivo de saída é enorme	Imagens sem perdas a 600 DPI	Use `--optimize` / JPEG, ou reduza o DPI.
PDF protegido por senha falha	Entrada criptografada	Descriptografe primeiro ou passe a senha se a ferramenta suportar.

Perguntas frequentes de PDF

Como torno um PDF pesquisável?

Use ocrmypdf entrada.pdf saida.pdf, ou rasterize as páginas e execute tesseract pagina.tif saida pdf.

Por que o Tesseract não lê um PDF diretamente?

O Tesseract reconhece imagens raster, então as páginas do PDF precisam ser convertidas em imagens primeiro.

Qual DPI devo usar?

300 DPI para a maioria dos documentos; 600 DPI para fontes pequenas ou arquivamento.

Posso aplicar OCR a um PDF em Python?

Sim: use pdf2image com poppler e pytesseract.image_to_pdf_or_hocr, e combine as páginas com pypdf.

Como mantenho o layout preciso?

Use o mesmo tamanho e DPI originais e prefira o OCRmyPDF, que preserva a imagem e adiciona a camada de texto por cima.

Resumo (um comando)

Por que os PDFs precisam ser rasterizados

Criar um PDF pesquisável com a CLI do Tesseract

Método B — OCRmyPDF (recomendado para PDFs reais)

Método C — pdfsandwich

Método D — Python de ponta a ponta

Qual método devo usar?

Fidelidade de layout e sobreposição de texto

Qualidade e desempenho

Solução de problemas

Perguntas frequentes de PDF

Próximos passos