Por que seu OCR está produzindo
texto corrompido? 3 causas principais e correções
Você processou um documento no OCR, mas em vez de texto limpo recebeu é, ’, caixas cheias de pontos de interrogação ou sequências que parecem que alguém derrubou o teclado escada abaixo. Esse fenômeno — chamado mojibake (文字化け, japonês para "transformação de caracteres") — tem uma causa técnica, e quando você a entende, corrigi-la se torna simples.

Principais conclusões
- Aquele
éque você vê onde deveria estarénão é dado corrompido — são bytes UTF-8 interpretados através de uma lente Windows-1252, e trocar a lente de leitura restaura instantaneamente cada caractere do arquivo. - Três causas distintas produzem OCR corrompido — incompatibilidades de codificação, mapas de fontes quebrados e trocas de caracteres por baixa resolução — e cada uma deixa uma impressão digital de diagnóstico que indica qual correção usar antes mesmo de abrir uma ferramenta.
- Os casos mais teimosos de texto corrompido acontecem porque seu OCR está lendo uma camada de texto oculta quebrada dentro do PDF, não a imagem visual — forçar o OCR a ler a página renderizada diretamente faz o lixo desaparecer.
Se você está vendo uma saída corrompida, você não está sozinho. Existe uma comunidade no subreddit dedicada apenas a pessoas tentando identificar qual idioma o seu mojibake "pode ser". O fórum da comunidade Adobe Acrobat tem dezenas de tópicos sem solução de usuários cujo OCR em japonês produziu sequências como 蟷エ莉」繧「繧ク繧「縺ォ縺翫¢繧九げ繝ュ繝シ繝舌Ν蛹悶� em vez de texto legível. A biblioteca Python ftfy — uma ferramenta dedicada a corrigir mojibake — já foi baixada milhões de vezes porque este é um problema recorrente em toda a indústria.
A boa notícia: texto de OCR corrompido não é um dano aleatório. Ele segue padrões previsíveis causados por um de três mecanismos principais. Assim que você identificar o padrão, a correção é repetível.
Causa 1 — Incompatibilidade de Codificação: O Culpado Mais Comum

O sintoma: Caracteres acentuados, símbolos de moeda e aspas tipográficas se transformam em lixo de vários caracteres. O espanhol corazón vira corazón. O símbolo do euro € aparece como €. Aspas curvas “ficam assimâ€. O documento é majoritariamente legível, mas todo caractere não-ASCII está errado.
Por que acontece: A codificação de caracteres é o acordo entre um arquivo e um leitor sobre como mapear bytes para letras. Quando o motor de OCR lê o arquivo usando uma codificação (digamos, UTF-8) mas o arquivo foi criado com outra (digamos, Windows-1252), os mesmos bytes são mapeados para caracteres completamente diferentes. O resultado é uma corrupção sistemática — como ler um mapa desenhado em polegadas como se fosse em centímetros. Toda medida fica errada pelo mesmo fator, e o padrão do erro indica exatamente qual conversão foi aplicada.
Como identificar qual incompatibilidade de codificação você está enfrentando
Certos padrões de mojibake são tão característicos que você consegue diagnosticar o erro de codificação só de olhar a saída:
| Você vê isto | O original era | Lido como |
|---|---|---|
é em vez de é | UTF-8 | Latin-1 / Windows-1252 |
’ em vez de ' | UTF-8 | Windows-1252 |
– em vez de – (travessão) | UTF-8 | Windows-1252 |
日本 em vez de 日本 | Shift-JIS | UTF-8 ou Latin-1 |
Quadrados ▯▯▯ ou ???? | Unicode | Fonte ausente no sistema / codificação errada |
Como corrigir incompatibilidades de codificação
Opção 1: Salve novamente com a codificação correta. Abra o documento de origem (ou a saída do OCR) em um editor de texto como VS Code ou Notepad++ que permita alterar a codificação explicitamente. Use Salvar como → UTF-8. Se o arquivo era originalmente Windows-1252, salvá-lo novamente como UTF-8 com detecção adequada de caracteres geralmente resolve o problema.
Opção 2: Use ferramentas de reparo de mojibake. Para correções em massa ou automatizadas, a biblioteca Python ftfy (pip install ftfy) detecta e reverte automaticamente erros de codificação comuns — incluindo corrupção em várias camadas, em que o texto foi decodificado com a codificação errada, depois recodificado e depois decodificado errado uma segunda vez. Uma única chamada a ftfy.fix_text() resolve a grande maioria dos erros de codificação simples e dupla.
Opção 3: Force o mecanismo de OCR a reler a camada de imagem em vez da camada de texto. Muitos problemas de texto corrompido em PDFs vêm do fato de o PDF subjacente ter uma camada de texto quebrada ou com codificação personalizada, enquanto a camada de imagem visual está perfeitamente bem. Se você configurar sua ferramenta de OCR para tratar a página como imagem (em vez de extrair da camada de texto existente), ela reconhecerá novamente todos os caracteres a partir dos glifos renderizados — contornando qualquer dano de codificação existente. No Adobe Acrobat, isso significa escolher "ClearScan" ou "Searchable Image (Exact)" em vez de "Searchable Image (Compact)" nas configurações de OCR.
Insight principal: O mojibake por incompatibilidade de codificação é o tipo mais fácil de corrigir — são dados lidos com a chave errada, não dados perdidos. Encontre a chave certa e cada caractere se recupera.
Causa 2 — Codificação de Fonte: Quando o Glifo Parece Certo, mas o Código do Caractere Está Errado

O sintoma: O PDF é renderizado perfeitamente na tela — cada caractere parece correto — mas copiar o texto ou executar o OCR produz algo sem sentido: GLYPH<38>, 9%)A:\2A ou sequências repetidas de caracteres sem significado. A página visual está limpa; a camada de texto é uma bagunça.
Por que acontece: Um arquivo PDF tem duas camadas de "texto": os glifos visuais (o que você vê renderizado na tela) e o mapeamento caractere-para-glifo (o que um extrator de texto ou mecanismo de OCR lê). Normalmente essas duas camadas concordam. Mas em PDFs gerados de forma inadequada, o arquivo de fonte pode conter codificação de glifos personalizada — as formas dos glifos estão corretas (então a página parece bem), mas os códigos de caractere aos quais eles são mapeados são não padronizados ou não têm mapeamentos Unicode.
Essa situação é surpreendentemente comum. Fontes de subconjunto — em que apenas os caracteres exatos usados no documento são incluídos — costumam usar IDs de caractere não padronizados (CIDs) para mapeamento interno. Quando um extrator de texto tenta interpretar esses CIDs usando uma tabela de codificação padrão, obtém lixo. Uma questão relatada no projeto Docling mostrou exatamente isso: um PDF era exibido corretamente, o OCR estava definido como do_ocr=True, e a saída foi '() +,- .+.. /01 02034567638469:; 4<8:=> — porque a codificação interna da fonte não mapeava para Unicode padrão.
Cenários em que o lixo de codificação de fonte é mais provável:
- PDFs gerados por software especializado: Ferramentas CAD (AutoCAD, Archicad), geradores de relatórios de ERP ou drivers legados de impressão para PDF costumam incorporar fontes com tabelas de codificação personalizadas. Uma discussão na comunidade dos fóruns da Adobe descreve um usuário do Archicad cujos PDFs tinham a Segoe UI incorporada — e ainda assim produziam texto corrompido, porque a incorporação por si só não garante mapeamento de caracteres padrão.
- Documentos PDF/A ou assinados digitalmente: Formatos de documento voltados à conformidade às vezes removem ou modificam informações de mapeamento de caracteres durante o processo de conversão.
- Documentos digitalizados que tiveram uma camada de texto oculta adicionada por uma passagem anterior de OCR: Se o OCR anterior produziu caracteres incorretos e o PDF foi salvo com essa camada de texto incorporada, a extração subsequente lê o texto errado em cache em vez de executar um reconhecimento novo.
- Documentos com escritas não latinas: Fontes japonesas Shift-JIS, fontes coreanas EUC-KR e fontes chinesas com codificação GB são fontes frequentes de incompatibilidade de codificação quando o visualizador de PDF ou o mecanismo de OCR usa como padrão uma página de código diferente.
Como corrigir caracteres corrompidos por codificação de fonte
Opção 1: Forçar um novo OCR na camada de imagem. Esta é a correção mais confiável. Diga à sua ferramenta de OCR para ignorar a camada de texto existente e ler diretamente das imagens renderizadas da página. No Acrobat Pro, vá em Ferramentas → Digitalizar e OCR → Reconhecer texto → Neste arquivo e certifique-se de que o mecanismo de OCR trate o documento como uma imagem digitalizada. No ocrmypdf, use a flag --force-ocr para sobrescrever completamente a camada de texto existente.
Opção 2: Converter para um formato de imagem sem perdas e refazer o OCR. Exporte as páginas do PDF como arquivos TIFF ou PNG de alta resolução (pelo menos 300 DPI) e depois execute o OCR nessas imagens. Isso elimina todos os metadados de codificação de fonte corrompidos e fornece ao mecanismo de OCR uma fonte visual limpa. O tópico da comunidade Adobe Acrobat sobre mojibake em japonês descobriu que exportar para TIFF e refazer o OCR resolveu o problema quando o OCR direto do PDF havia falhado.
Opção 3: Verificar a incorporação de fontes com o Preflight. No Adobe Acrobat Pro, use Ferramentas → Produção de impressão → Preflight e execute um perfil de análise de fontes. Isso mostra se as fontes estão totalmente incorporadas, incorporadas como subconjunto ou ausentes, e se incluem mapas de caracteres Unicode. Se uma fonte estiver incorporada como subconjunto sem as tabelas /ToUnicode adequadas, essa é a prova definitiva.
Causa 3 — Resolução e confusão de caracteres: quando a qualidade da imagem prejudica o OCR

O sintoma: Caracteres individuais estão errados de formas que parecem substituições razoáveis: 5 vira S, 0 vira O, 1 vira l (L minúsculo), rn vira m. A pontuação desaparece. Traços finos em caracteres como e ou a estão ausentes, fazendo as palavras parecerem abreviadas. A saída não é um lixo total — é sutil e frustrantemente errada.
Por que acontece: Os mecanismos de OCR funcionam comparando formas de caracteres com modelos de glifos conhecidos. Quando a imagem de entrada tem resolução insuficiente, os pixels disponíveis não são suficientes para distinguir entre caracteres visualmente semelhantes. Uma letra S a 72 DPI ocupa cerca de 10–12 pixels na vertical — nessa resolução, a serifa de um 5 e a curva de um S podem parecer idênticas. Isso não é um problema de codificação; é uma limitação fundamental da teoria da informação. Se a imagem não contém pixels suficientes para representar as características distintivas de cada caractere, nenhum mecanismo de OCR — por mais avançado que seja — consegue acertar sempre.
Esse tipo de erro é especialmente comum em:
- Fotos de documentos tiradas com celular em ambientes com pouca luz ou em ângulo
- Páginas enviadas por fax ou fotocopiadas repetidamente, em que cada geração perde detalhes
- Digitalizações antigas de microfilmes de registros históricos
- Documentos com fontes pequenas (8 pontos ou menos) digitalizados a 200 DPI ou menos
Como corrigir texto corrompido relacionado à resolução
Opção 1: Aumente a resolução de entrada. O padrão do setor para OCR é de no mínimo 300 DPI, com 400–600 DPI recomendados para textos pequenos ou densos. Se você estiver trabalhando com uma foto de celular, etapas de pré-processamento de imagem como upscaling, nitidez e correção de inclinação podem ajudar antes de enviar a imagem ao mecanismo de OCR.
Opção 2: Use uma ferramenta de extração baseada em visão em vez do OCR tradicional. Esta é a correção estrutural. Mecanismos de OCR tradicionais (Tesseract, ABBYY, Adobe OCR) dependem da correspondência de padrões caractere por caractere — por isso um pixel ausente pode transformar um 5 em um S. A extração moderna por modelo de visão-linguagem (VLM) (a abordagem usada pelo ImageToTable.ai e ferramentas similares) lê palavras e frases inteiras como objetos visuais, usando o contexto semântico para resolver ambiguidades. Quando o mecanismo vê "Order S units" e o contexto ao redor é uma fatura, ele entende que S provavelmente é 5 — não porque reconhece melhor o formato do caractere, mas porque "Order 5 units" faz sentido de uma forma que "Order S units" não faz. Para uma explicação de como isso difere do OCR tradicional, leia o que é OCR e de onde vêm suas limitações.
Opção 3: Aplique pré-processamento de imagem antes do OCR. Mesmo um pré-processamento simples pode reduzir drasticamente a confusão de caracteres. Converter para escala de cinza, aplicar limiarização adaptativa para binarizar o texto e remover ruído (manchas, padrões de fundo) dá ao mecanismo de OCR um sinal mais limpo. Veja nosso guia para melhorar a precisão do OCR com fluxos de pré-processamento testados na prática.
Quando escalar: o que fazer se nenhuma das correções funcionar
Se você verificou a codificação, checou as fontes e pré-processou a imagem — e a saída ainda está corrompida — a ferramenta em si pode não ser a ideal para o tipo de documento. Documentos com scripts mistos, fontes decorativas, notação matemática ou muitas sobreposições de carimbos ultrapassam os limites de projeto do OCR tradicional.
Nesses casos, a solução prática é mudar para uma ferramenta de extração por IA de visão sem modelo que lê documentos de forma holística. Ferramentas como o ImageToTable.ai contornam totalmente problemas de codificação e fontes porque extraem o significado da renderização visual da página, não de uma camada de texto preexistente. Você faz o upload do documento, nomeia as colunas que deseja, e a IA extrai os dados entendendo a estrutura visual e semântica do documento — sem camada de texto dependente de fonte, sem tabelas de codificação com que se preocupar.
Perguntas frequentes
Por que meu PDF parece normal na tela, mas gera texto corrompido quando eu o copio?
Isso quase sempre é um problema de codificação de fonte (Causa 2). A camada visual do PDF usa glifos com formato correto, mas o mapeamento subjacente de caracteres para Unicode está quebrado ou fora do padrão. Seu leitor de PDF renderiza os glifos perfeitamente, mas quando você copia o texto — ou um mecanismo de OCR lê a camada de texto oculta — ele segue o mapa quebrado e produz lixo. A solução é aplicar OCR diretamente na camada de imagem, ignorando a camada de texto existente.
Posso corrigir texto de OCR corrompido automaticamente com software?
Sim, para mojibake por incompatibilidade de codificação (Causa 1), ferramentas como ftfy (Python), iconv (Linux/macOS) e o recurso "detectar codificação" em editores como o VS Code podem identificar e reverter a corrupção automaticamente. Para problemas de codificação de fonte e de resolução, o reparo automático é menos confiável porque o problema não está no mapeamento de bytes para caracteres — está nos próprios dados de origem. Esses casos exigem reprocessamento com configurações diferentes ou uma abordagem de extração diferente.
Um DPI mais alto sempre corrige o OCR corrompido?
Um DPI mais alto corrige a confusão de caracteres relacionada à resolução (Causa 3), mas não tem efeito sobre incompatibilidades de codificação (Causa 1) ou problemas de codificação de fonte (Causa 2). Digitalizar um documento a 600 DPI não vai ajudar se o arquivo original for um PDF com tabelas /ToUnicode quebradas — você está apenas criando uma versão em resolução mais alta do mesmo problema subjacente. Diagnostique a causa raiz antes de investir em nova digitalização.
O ImageToTable.ai lida com texto corrompido melhor que o OCR tradicional?
Como o ImageToTable.ai usa um modelo de visão e linguagem que lê o conteúdo visual do documento — não uma camada de texto intermediária —, ele contorna tanto as causas de incompatibilidade de codificação quanto as de codificação de fonte do texto corrompido. A IA processa diretamente a imagem renderizada da página, então mapeamentos CID personalizados, fontes de subconjunto e tabelas /ToUnicode ausentes não interferem. Para ambiguidades relacionadas à resolução, a compreensão semântica do contexto do documento pelo modelo oferece uma camada adicional de correção que o OCR baseado em caracteres não tem. No entanto, se a própria imagem de origem estiver muito degradada (desfocada, com resolução extremamente baixa, parcialmente ilegível), nenhuma abordagem — incluindo IA de visão — consegue recuperar informações que nunca foram capturadas.
Texto OCR corrompido não é aleatório — veja o que fazer a seguir
Quando a saída do OCR parece que alguém embaralhou o alfabeto, é tentador culpar o software e seguir em frente. Mas as três causas abordadas aqui — incompatibilidades de codificação, problemas de codificação de fonte e confusão de caracteres por resolução — cada uma tem uma impressão digital específica e uma correção correspondente. Aprender a distingui-las transforma um mistério frustrante em um diagnóstico repetível.
Comece pelo sintoma: lixo de vários caracteres em torno de acentos (como é) → incompatibilidade de codificação, corrija com recodificação ou ftfy. Renderização perfeita na tela, mas o OCR produz glifos sem relação → problema de codificação de fonte, corrija forçando o OCR na camada de imagem. Caracteres individuais trocados por semelhantes (5→S) → problema de resolução, corrija com pré-processamento ou uma ferramenta sensível ao contexto.
A última opção — trocar o OCR baseado em caracteres pela extração baseada em visão — contorna as causas raiz por completo, lendo o documento como um humano faria: entendendo o significado em vez de combinar padrões de pixels ou percorrer tabelas de codificação.
Teste com seus próprios documentos corrompidos. Veja se o problema desaparece quando o mecanismo deixa de depender de uma camada de texto.