Extrair dados de um PDF digitalizado com má qualidade: onde o OCR encontra o seu limite

Antes de passar uma digitalização má por qualquer OCR, meça-a. Uma página A4 digitalizada a 300 DPI ocupa cerca de 2.480 × 3.507 píxeis. A 150 DPI, cerca de 1.240 × 1.754. A própria orientação da AWS para o Textract pede uma imagem de qualidade, idealmente com pelo menos 150 DPI. Abaixo dessa linha já não está a fazer OCR: está a apostar. A versão de três segundos: abra o PDF, ponha o zoom a 100% e tente ler os cêntimos do total. Se você não consegue, o modelo também não.

A segunda coisa a saber antes de começar é que o modo de falha mudou. O OCR antigo devolvia lixo evidente: `F4TUR4 N¤`. A extração com IA devolve um número de fatura limpo, plausível e que simplesmente não está na página. O benchmark KIE-HVQA, construído com documentos de identificação, talões e faturas degradados com desfoque de movimento e baixo contraste, conclui que os modelos multimodais "não percebem a degradação visual, o que leva a alucinações"; o modelo de 7B afinado pelos autores ganhou 22 pontos percentuais de exatidão sem alucinações face ao GPT-4o nesse conjunto. Outro trabalho sobre entradas degradadas descreve o mesmo: texto "fluente mas incorreto, sem sinalizar incerteza". Por isso a pergunta útil não é *que OCR aguenta melhor digitalizações más*, mas sim *este ficheiro está acima ou abaixo da linha, e que campos verifico à mão*.

A triagem de 30 segundos

Faça-a antes de carregar seja o que for. Não custa nada e poupa a viagem de ida e volta.

1. Existe camada de texto? Carregue em Ctrl+F e procure uma palavra que vê no ecrã. Se a encontrar, o PDF é digital e não digitalizado: não precisa de OCR, e qualquer ferramenta que o volte a processar está a piorar os seus dados.

2. Veja o tamanho em píxeis. Exporte uma página como imagem ou consulte as propriedades do documento. Um A4 mede 21 × 29,7 cm (8,27 × 11,69 polegadas), logo:

300 DPI → ~2.480 × 3.507 px (confortável)
200 DPI → ~1.654 × 2.339 px (aceitável com impressão limpa de 10pt ou mais)
150 DPI → ~1.240 × 1.754 px (o mínimo)
abaixo disso → conte com erros de carácter que não vai ver

3. O teste do carácter mais pequeno. A 100% de zoom, procure o mais pequeno de que realmente precisa: os cêntimos, o NIF, o código de referência do rodapé. Se você o lê a 100%, o motor quase de certeza também.

4. Geometria. Aparecem os quatro cantos da folha? O texto está direito e não rodado? A extração de tabelas pressupõe texto direito: uma foto torta transforma uma tabela limpa em linhas misturadas.

5. Contraste. Talões térmicos desvanecidos, fotocópias de terceira geração e faxes cinzento sobre cinzento falham por uma razão que a resolução não corrige: os caracteres não se separam do fundo em nenhum nível de ampliação.

Porque é que aparece sempre o número 300 DPI

300 DPI é a referência padrão nos guias de digitalização de bibliotecas e é o mesmo valor recomendado pelos fabricantes de scanners, com uma ressalva: abaixo de 10pt convém subir para 400 DPI. Ir até 600 DPI acrescenta muito pouco em impressão normal e quadruplica o peso do ficheiro. O alvo prático é 300 DPI, escala de cinzentos, scanner de mesa para tudo aquilo de que vai retirar dados estruturados.

Repare na distância entre os dois números deste artigo: 150 DPI é o mínimo *do motor*, 300 DPI é o alvo *de qualidade*. Os ficheiros que ficam pelo meio costumam funcionar, mas concentram os erros exatamente onde dói: nos dígitos pequenos.

A armadilha de que quase ninguém fala: a compressão do WhatsApp

Se os documentos lhe chegam a partir de um telemóvel, verifique isto primeiro. O WhatsApp reduz as imagens enviadas pelo seletor de fotografias para cerca de 1.600 píxeis no lado maior e comprime-as com força. Faça a conta num A4: 1.600 px ÷ 11,69 polegadas ≈ 137 DPI, abaixo do mínimo de 150 antes ainda de o JPEG começar a comer as arestas dos caracteres.

A solução é gratuita e demora um toque: envie o ficheiro como documento (clipe → Documento), não como fotografia. Os ficheiros enviados como documento não são redimensionados nem recomprimidos. Mesmo telemóvel, mesma foto, mesma folha, e de repente os dígitos pequenos sobrevivem. Se encaminha faturas de fornecedor ou documentos de identificação por WhatsApp, esta única mudança de hábito costuma valer mais do que trocar de motor de OCR.

O que resolve mesmo uma digitalização má, por ordem de esforço

Desça a lista e pare no primeiro passo que funcione. A maioria salta logo para o 6, que é o caro e raramente é a resposta.

Peça o original. O fornecedor quase sempre tem o PDF digital. Dez segundos a pedir valem mais do que uma hora de OCR forense. Além disso elimina o passo de OCR: um PDF digital pode ir direto a dados estruturados, como se explica em Como converter PDF para Excel automaticamente com a IA da WhappScan.
Volte a digitalizar a 300 DPI em escala de cinzentos num scanner de mesa. Nem a cores (mais peso, zero precisão extra) nem a preto e branco puro (destrói os traços fracos).
Se tiver de ser fotografia: superfície plana, luz natural, sem flash, quatro cantos visíveis, câmara paralela ao papel. O flash numa fatura brilhante cria um reflexo queimado precisamente onde costuma estar o total.
Envie sem compressão, como documento, conforme a secção anterior.
Pré-processe: endireitar, cortar à página, subir o contraste. Compensa num lote de cem digitalizações más iguais; não compensa numa só.
Só então mude de ferramenta. E se mudar, perceba o que está a mudar: o OCR por modelo de coordenadas fixas parte-se assim que uma digitalização degradada desloca o layout uns milímetros, o que é um problema diferente da exatidão de carácter — ver Porque é que os modelos de OCR por fornecedor falham e Exatidão do OCR em 2026.

O critério para deixar de insistir

Use os seus números, não os de um benchmark. Pegue no custo por minuto totalmente carregado da pessoa que faz o trabalho (salário mais encargos, dividido pelos minutos trabalhados) e meça duas coisas numa amostra de dez documentos:

A = minutos para introduzir o documento à mão, do início ao fim
B = minutos para rever e corrigir o resultado extraído

Se B ultrapassar cerca de 60% de A, automatizar *essa classe de documento* não se está a pagar, e a solução está a montante: corrija a digitalização ou corrija a forma como o documento chega. Se B for menos de um terço de A, siga em frente e aplique o tempo poupado na verificação descrita a seguir.

O critério importa porque as digitalizações más não falham de forma uniforme. Um lote com 90% de ficheiros limpos e 10% de fotocópias de fax deve ser separado, não somado numa média: automatize os 90%, encaminhe os 10% para uma fila humana e deixe de olhar para a média, que esconde as duas realidades.

Campos que nunca deve aceitar às cegas numa digitalização degradada

Numa digitalização boa basta verificar por amostragem. Abaixo dos 200 DPI, verifique sempre estes: são aqueles em que um único carácter errado é ao mesmo tempo invisível e caro.

Valores e cêntimos. `1` contra `7`, `3` contra `8`, `5` contra `6`, e o separador decimal mal lido.
NIF, número de IVA, IBAN. Carácter a carácter, sem contexto que permita autocorreção.
Datas. Um mês mal lido move a fatura para o trimestre errado sem fazer barulho.
Quantidades e preços unitários das linhas, quase sempre o corpo mais pequeno da página.
Números de documento de identificação e linhas MRZ, onde um dígito errado parte todo o registo a jusante.

A defesa barata é aritmética, não releitura. Quase todos estes campos validam-se sozinhos: base + IVA − retenção deve dar o total; NIF, IBAN e número de IVA intracomunitário têm dígitos de controlo; as linhas devem somar o subtotal. Automatize essas três verificações e um número alucinado denuncia-se sozinho, sem ninguém reler a página. É o meio-termo prático entre confiar às cegas e voltar a introduzir tudo, aprofundado em Validação humana ou IA na extração de dados.

Em resumo

Um PDF digitalizado com má qualidade não é um problema, são três: poucos píxeis, pouco contraste e má geometria. Só o primeiro é mensurável à partida, e é o que decide se os outros dois importam. Meça-o antes de gastar dinheiro, corrija-o na origem quando puder, e deixe que sejam os dígitos de controlo — e não os olhos cansados — a apanhar o que passar.

Se quiser ver onde cai um dos seus ficheiros, o teste mais rápido é experimentar: carregue uma fatura, um documento de identificação ou um talão e veja o que volta, campo a campo, em poucos segundos. Experimente o extrator grátis, sem registo.