Como passar um PDF escaneado para o Kindle (OCR)

Muitos materiais acadêmicos e livros antigos circulam como cópias escaneadas em PDF. No computador, a leitura é tranquila, mas no Kindle o cenário muda: o PDF vira apenas imagens das páginas, e não texto. Isso impede aumentar a letra ou ajustar o texto à tela. Para resolver, é preciso primeiro "ler" essas imagens com OCR.

Como saber se o PDF é um escaneamento?

Abra o PDF no computador e tente selecionar uma palavra com o mouse. Se conseguir selecionar só a palavra, o arquivo já tem texto. Se selecionar a página toda como um bloco ou não selecionar nada, é uma imagem: um escaneamento. Outro teste: procure por uma palavra usando Ctrl+F. Se não encontrar, mesmo ela estando visível, é sinal de que o PDF é só imagem.

O que é OCR?

OCR (reconhecimento óptico de caracteres) é a tecnologia que extrai o texto de uma imagem, como se uma pessoa estivesse lendo a folha. O software Tesseract é um dos mecanismos de OCR mais conhecidos e reconhece bem textos em espanhol (e outros idiomas) quando a imagem está razoavelmente boa.

O OCR gera apenas o texto "cru". Depois, é preciso montar os parágrafos, identificar títulos, criar o índice e manter gráficos no lugar certo, como imagem.

O que pode dar errado?

• Palavras mal reconhecidas: manchas ou letras borradas podem trocar "elétron" por "letron". Por isso, após o OCR, vale revisar palavras desconhecidas no contexto da frase.
• Fórmulas: fórmulas matemáticas geralmente não são reconhecidas corretamente pelo OCR. O ideal é mantê-las como imagem.
• Gráficos e fotos: o correto é recortar e manter como imagem.
• Páginas tortas ou com sombra: diminuem a precisão do OCR. Sempre que possível, escaneie com boa luz e a folha bem alinhada.

Como o Legible faz isso?

Ao enviar um PDF, o Legible verifica página por página se há texto ou apenas imagem. Páginas escaneadas passam pelo OCR em espanhol, inglês ou português. Gráficos e fórmulas são recortados e mantidos como imagens nítidas no lugar certo. Palavras desconhecidas são revisadas dentro da frase antes de corrigir. Isso funciona até com PDFs mistos, que tenham páginas escaneadas e outras com texto normal.

Antes de baixar, você vê o livro finalizado em uma Kindle desenhada na tela, página por página. Se alguma fórmula ficou estranha após o OCR, dá para conferir ali.

Quer fazer manualmente?

Existem programas que adicionam uma camada de texto ao PDF escaneado (por exemplo, a função "Reconhecer texto" de alguns leitores de PDF). Após esse processo, o arquivo já terá texto e pode ser convertido normalmente para Kindle, seguindo os passos da nossa outra guia sobre PDF e Kindle. Só fique atento: essa camada normalmente mantém as quebras de linha da página, então ainda é preciso um conversor que reorganize os parágrafos corretamente.