PDF escaneado para Word: por que a formatação quebra

Um PDF escaneado não é um documento do Word esperando para ser aberto. É uma pilha de fotos de páginas. Antes de qualquer edição, alguém precisa ler as letras nas imagens e depois adivinhar onde ficam os parágrafos, as colunas e as tabelas. É nesse chute que a formatação se perde, e com um escaneado vale a pena escolher o caminho antes de começar.

Primeiro, descubra que tipo de PDF você tem

Tente selecionar uma frase no seu leitor de PDF. Se as palavras ficam marcadas uma a uma e copiam direitinho, o arquivo já tem uma camada de texto, e o PDF para Word consegue remontá-lo como documento editável. Se a página inteira fica marcada como se fosse uma imagem só, é um escaneado, e o resto deste texto vale para você.

O que o nosso PDF para Word faz com um escaneado

Mande um escaneado direto para o PDF para Word e você recebe um .docx com cada página colada como imagem. Parece certo, mas não há onde digitar. Passar o arquivo pelo OCR antes não muda isso: o OCR adiciona uma camada de texto invisível atrás de cada página, e o conversor de Word ignora essa camada. Então, para escaneados, deixe o PDF para Word de lado e use um dos caminhos abaixo.

Caminhos que funcionam com escaneado

1. Você precisa do texto no Word: use o PDF para Texto e marque a opção Usar OCR. Sai um .txt com o texto reconhecido, que você cola num documento novo do Word e formata lá. Títulos e tabelas você refaz, mas não precisa redigitar nada.
2. Você só quer pesquisar e copiar: o OCR em PDF já resolve. A página mantém o visual exato e as palavras passam a ser selecionáveis.
3. É basicamente uma tabela de números: rode o OCR em PDF e depois o PDF para Excel. O leitor de tabelas aproveita a camada de OCR, mas confira as colunas, porque às vezes células vizinhas se juntam numa só.

Por que o layout quebra de qualquer jeito

O OCR reconhece caracteres; ele não sabe as decisões de design por trás da página. Um escaneado apagado pode transformar um 8 em 3. Duas colunas podem ser lidas de ponta a ponta, como se fossem uma linha só. Uma tabela pode virar valores separados por espaços, e letra à mão é pouco confiável.

• Escaneados limpos, retos e com bom contraste dão ao OCR a melhor chance.
• Tabelas e páginas em várias colunas pedem a revisão mais cuidadosa.
• Carimbos e anotações à mão devem ser conferidos caractere por caractere quando a precisão importa.

Documento em português? Leia isto antes

O nosso OCR só lê inglês. Num texto em português, acentos, til e ç costumam sair trocados ou somem, e escritas não latinas nem são reconhecidas. Se o documento é em português, rode o OCR no seu próprio computador com o ocrmypdf e o pacote de idioma certo, por exemplo com a opção -l por+eng, e só depois extraia o texto.

Uma origem melhor vale mais que qualquer conserto

Se o papel original ainda existe, escaneie de novo com a folha bem alinhada, em torno de 300 DPI, sem dedos, sombras ou cantos dobrados no quadro. Se o PDF saiu de um sistema do escritório, peça o arquivo digital original ou o documento de origem. Um PDF digital de verdade passa pelo PDF para Word sem problema, e um original limpo economiza mais tempo do que uma hora consertando formatação.

Perguntas frequentes

Por que o meu arquivo do Word só tem fotos das páginas?

Porque o PDF era um escaneado. O conversor não achou texto de verdade para remontar e colocou cada página como imagem. Use o PDF para Texto com o OCR ligado para tirar as palavras e depois cole no Word.

Converter de novo melhora um escaneado borrado?

Não. Repetir a conversão não cria detalhes que o escaneado nunca capturou. Se puder, escaneie o original com mais nitidez e rode o OCR uma vez só.