Converter imagem em documento editável no Word ou Google Docs

Transformar a foto de uma página num documento que você pode editar exige duas coisas: OCR para ler as palavras e alguma reconstrução para transformar essas palavras de volta em parágrafos, títulos, listas e tabelas. As palavras geralmente saem bem. A aparência da página, quase nunca.

Saber de antemão o que é mantido e o que você vai ter de refazer ajuda a escolher o caminho mais rápido e a não brigar com a formatação depois.

O que é mantido

Uma boa conversão preserva a estrutura do documento, as partes que dão sentido a ele:

• Parágrafos. Linhas que quebravam na imagem são reunidas em parágrafos contínuos, então o texto se reorganiza quando você edita.
• Títulos. Linhas que se destacam como títulos podem virar estilos de título de verdade, e não apenas texto em negrito.
• Listas. Itens com marcadores e numerados viram listas de verdade, que se renumeram sozinhas quando você acrescenta um item.
• Tabelas. Linhas e colunas podem sair como uma tabela de verdade, e não como texto separado por espaços.
• Ordem de leitura. Em páginas de uma coluna, a ordem do texto acompanha a da página.

No Image to Text App, o modo Documento junta os parágrafos e mantém os títulos e as listas com marcadores e numeradas. As tabelas saem quando você usa o modo Tabela para aquela parte da página.

O que não é mantido

O OCR identifica caracteres, não design. Conte com perder ou refazer o seguinte:

• Fontes e tamanhos. O texto assume o estilo padrão do documento em que você cola.
• Destaques no meio do texto. Palavras em negrito, itálico ou sublinhadas dentro de uma frase geralmente se perdem.
• Cores do texto, dos realces e dos fundos.
• Layouts com várias colunas, caixas de texto e barras laterais. Tudo vira um único fluxo de parágrafos, e o texto que estava numa caixa pode parar num lugar estranho.
• Imagens, logotipos, gráficos e assinaturas. Não são texto, então são descartados, ou um logotipo vira alguns caracteres soltos.
• Cabeçalhos, rodapés e números de página. Aparecem como linhas de texto comuns, repetidas em todas as páginas.
• Notas de rodapé. O texto da nota aparece como um parágrafo normal, e os pequenos números de referência viram dígitos comuns grudados no fim de uma palavra.
• Campos de formulário. Linhas em branco e caixas de seleção de um formulário não viram campos preenchíveis.
• Espaçamento, recuo e quebras de linha exatos, exceto em código, em que um modo próprio para código mantém o recuo.

Cópia formatada, .docx ou outra opção?

Há várias formas de levar o resultado para um documento, e cada uma combina com uma situação diferente.

A cópia formatada é a melhor opção quando o texto vai para um documento que já existe. Copie e cole no Word ou no Google Docs, e títulos, listas e tabelas chegam com formatação de verdade. Como o texto não tem fonte própria, ele assume os estilos do destino; colando num modelo da empresa, os títulos ficam iguais aos desse modelo.

Um arquivo .docx é o melhor quando você quer um documento independente para enviar, editar ou guardar. Ele abre no Microsoft Word e na maioria dos outros editores de texto. Para trabalhar nele no Google Docs, envie o arquivo para o Google Drive e abra por lá.

O Markdown combina com aplicativos de notas, wikis e qualquer coisa que seja publicada na web. Títulos e listas são mantidos como uma marcação de texto simples, fácil de editar em qualquer lugar. A ferramenta imagem para Markdown já vem configurada para isso.

O texto simples é a escolha certa quando você pretende reformatar tudo de qualquer jeito e não quer uma estrutura solta atrapalhando.

Um roteiro de limpeza que poupa tempo

A ordem faz diferença. Corrigir os problemas cedo, com a imagem na sua frente, é muito mais rápido do que encontrá-los depois num documento longo.

1. Prepare a imagem. Recorte tudo o que não faz parte do documento, como a borda da página seguinte, e endireite fotos tiradas em ângulo. O guia como obter resultados de OCR precisos explica isso em detalhes.
2. Leia no modo certo. Use o modo Documento para texto corrido. Se a página tiver uma tabela, leia essa parte como tabela.
3. Corrija as palavras antes de exportar. Confira as palavras sinalizadas com a imagem ao lado. Aqui, onde clicar numa linha mostra o lugar dela na imagem, isso é muito mais rápido do que no Word com a imagem em outra janela.
4. Tire os elementos repetidos da página. Apague cabeçalhos, rodapés e números de página repetidos. A função localizar e substituir resolve um cabeçalho que se repete em todas as páginas.
5. Cole ou exporte. Use a cópia formatada ou o arquivo .docx, como descrito acima.
6. Aplique os estilos corretos. Use os estilos Título 1, Título 2 e Normal em vez de negrito e tamanhos de fonte. Assim você ganha o painel de navegação no Word, a estrutura do documento no Google Docs e um sumário automático. Para limpar a formatação solta antes, selecione o texto e pressione Ctrl+Space no Word, ou Ctrl+\ no Google Docs (⌘+\ no Mac).
7. Refaça o que o OCR não consegue. Insira imagens e logotipos recortados do original e recrie as colunas em Layout > Colunas no Word ou em Formatar > Colunas no Google Docs.
8. Revise. O corretor ortográfico pega palavras que não existem, como “tbe”. Ele não pega uma palavra real no lugar errado, como “cela” em vez de “sela”, então confira números, nomes e datas com o original.

Documentos com várias páginas

Para um documento fotografado ou digitalizado página por página, adicione todas as páginas de uma vez e coloque-as em ordem. No Image to Text App, a visualização Documento inteiro junta todas as páginas, permite pesquisar em todas elas e exporta tudo como um único arquivo.

Confira as emendas entre as páginas. Um parágrafo que começa no fim de uma página e continua na seguinte geralmente fica dividido em dois, porque cada página é lida separadamente. Junte esses trechos à mão.

Se você está começando com PDFs digitalizados, e não com fotos, o guia como extrair texto de documentos digitalizados fala sobre configurações do scanner e PDFs pesquisáveis, que podem atender melhor do que um arquivo editável. As tabelas têm um guia próprio: como extrair tabelas de imagens.

Quando recriar em vez de converter

A conversão funciona melhor com documentos cheios de texto, como cartas, relatórios, artigos e anotações. Para páginas com muito design, como folhetos, cartazes, cardápios e certificados, extraia o texto e encaixe-o num modelo novo. Isso é mais rápido do que tentar reconstruir um layout exato a partir do resultado do OCR.

Para formulários que você precisa reutilizar, recrie o formulário direito no seu editor de texto e copie os rótulos. E se o documento veio de alguém que ainda tem o arquivo original, pedir esse arquivo é melhor do que qualquer conversão.

Quando estiver pronto, a ferramenta imagem para Word foi feita exatamente para isso, com cópia formatada para colar e download em .docx.