Por que seu OCR está produzindo
Texto Ilegível? 3 Causas e Correções

Se você está vendo caracteres ilegíveis, não está sozinho. Existe uma comunidade no subreddit dedicada a pessoas tentando identificar qual idioma "poderia ser" o seu mojibake. O fórum da comunidade Adobe Acrobat tem dezenas de tópicos não resolvidos de usuários cujo OCR em japonês produziu strings 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 — foi baixada milhões de vezes porque este é um problema recorrente em toda a indústria.

A boa notícia: texto OCR ilegível não é dano aleatório. Ele segue padrões previsíveis causados por um de três mecanismos raiz. Uma vez identificado o padrão, a correção é repetível.

Causa 1 — Incompatibilidade de Codificação: O Culpado Mais Comum

O sintoma: Caracteres acentuados, símbolos de moeda e aspas inteligentes se transformam em lixo multichar. O espanhol corazón vira corazón. O símbolo do Euro € aparece como €. Aspas curvas “ficam assim”. O documento é quase legível, mas todo caractere não-ASCII está errado.

Por que acontece: Codificação de caracteres é o acordo entre um arquivo e um leitor sobre como mapear bytes para letras. Quando o mecanismo de OCR lê o arquivo usando uma codificação (digamos, UTF-8) mas o arquivo foi criado com outra (digamos, Windows-1252), os mesmos bytes mapeiam para caracteres completamente diferentes. O resultado é uma corrupção sistemática — como ler um mapa desenhado em polegadas como se fosse centímetros. Toda medida está errada pelo mesmo fator, e o padrão de 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 pode diagnosticar o erro de codificação apenas olhando para a saída:

Como corrigir incompatibilidades de codificação

Opção 1: Salve novamente com a codificação correta. Abra o documento original (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 lote ou automatizadas, a biblioteca Python ftfy (pip install ftfy) detecta e reverte automaticamente erros comuns de codificação — incluindo corrupção em múltiplas camadas, onde o texto foi decodificado com a codificação errada, depois recodificado e 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 ilegível em PDFs vêm do fato de o PDF subjacente ter uma camada de texto quebrada ou com codificação personalizada, enquanto a camada visual da imagem está perfeitamente intacta. Se você configurar sua ferramenta de OCR para tratar a página como imagem (em vez de extrair da camada de texto existente), ela reconhecerá todos os caracteres a partir dos glifos renderizados — ignorando qualquer dano de codificação. No Adobe Acrobat, isso significa escolher "ClearScan" ou "Imagem pesquisável (Exata)" em vez de "Imagem pesquisável (Compacta)" nas configurações de OCR.

Causa 2 — Codificação de Fonte: Quando o Glifo Parece Correto, mas o Código do Caractere Está Errado

O sintoma: O PDF é exibido perfeitamente na tela — cada caractere parece correto — mas copiar texto ou executar 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 mal gerados, o arquivo de fonte pode conter codificação de glifo personalizada — as formas dos glifos estão corretas (então a página parece boa), mas os códigos de caractere para os quais eles mapeiam são não padronizados ou não possuem mapeamentos Unicode.

Essa situação é surpreendentemente comum. Fontes de subconjunto — onde apenas os caracteres exatos usados no documento são incluídos — geralmente usam IDs de caractere (CIDs) não padronizados para mapeamento interno. Quando um extrator de texto tenta interpretar esses CIDs usando uma tabela de codificação padrão, obtém lixo. Um problema relatado no projeto Docling mostrou exatamente isso: um PDF exibido corretamente, OCR configurado como do_ocr=True, e a saída foi '() +,- .+.. /01 02034567638469:; 4<8:=> — porque a codificação interna da fonte não mapeava para Unicode padrão.

Cenários onde o lixo de codificação de fonte é mais provável:

• PDFs gerados por software especializado: Ferramentas CAD (AutoCAD, Archicad), geradores de relatórios ERP ou drivers legados de impressão para PDF geralmente incorporam fontes com tabelas de codificação personalizadas. Uma discussão da comunidade nos fóruns da Adobe descreve um usuário do Archicad cujos PDFs tinham Segoe UI incorporada — e ainda assim produziam texto distorcido, porque a incorporação por si só não garante mapeamento padrão de caracteres.
• Documentos PDF/A ou assinados digitalmente: Formatos de documentos focados em 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 novo reconhecimento.
• Documentos com scripts não latinos: Fontes japonesas Shift-JIS, coreanas EUC-KR e chinesas codificadas em GB são fontes frequentes de incompatibilidade de codificação quando o visualizador de PDF ou mecanismo de OCR usa como padrão uma página de código diferente.

Como corrigir caracteres ilegíveis por codificação de fonte

Opção 1: Forçar um novo OCR na camada de imagem. Esta é a correção mais confiável. Instrua sua ferramenta de OCR a ignorar a camada de texto existente e ler diretamente das imagens da página renderizada. 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 execute o OCR nessas imagens. Isso remove todos os metadados de codificação de fonte corrompidos e fornece ao mecanismo de OCR uma fonte visual limpa. A comunidade do Adobe Acrobat sobre mojibake em japonês descobriu que exportar para TIFF e refazer o OCR resolveu o problema onde 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 Decepciona o OCR

O sintoma: Caracteres individuais estão errados de maneiras que parecem substituições razoáveis: 5 vira S, 0 vira O, 1 vira l (L minúsculo), rn vira m. Pontuação desaparece. Traços finos em caracteres como e ou a estão faltando, 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 combinando 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 aproximadamente 10–12 pixels verticalmente — 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 restrição fundamental da teoria da informação. Se a imagem não contiver pixels suficientes para representar as características distintivas de cada caractere, nenhum mecanismo de OCR — por mais avançado que seja — pode fazer uma estimativa perfeita todas as vezes.

Esta classe de erro é especialmente prevalente em:

• Fotos de documentos tiradas com celular em pouca luz ou em ângulo
• Páginas enviadas por fax ou fotocopiadas repetidamente, onde cada geração perde detalhes
• Digitalizações antigas de microfilme de registros históricos
• Documentos com tamanhos de fonte pequenos (8 pontos ou menos) digitalizados a 200 DPI ou menos

Como corrigir texto ilegível relacionado à resolução

Opção 1: Aumente a resolução de entrada. O padrão da indústria para OCR é no mínimo 300 DPI, sendo recomendado 400–600 DPI para textos pequenos ou densos. Se você estiver usando uma foto de celular, etapas de pré-processamento de imagem como redimensionamento, nitidez e correção de inclinação podem ajudar antes de enviar a imagem para o mecanismo de OCR.

Opção 2: Use uma ferramenta de extração baseada em visão em vez de OCR tradicional. Esta é a correção estrutural. Mecanismos de OCR tradicionais (Tesseract, ABBYY, Adobe OCR) dependem de correspondência de padrões caractere por caractere — é por isso que um pixel faltando pode transformar um 5 em um S. A moderna extração por modelo de visão-linguagem (VLM) (abordagem usada pelo ImageToTable.ai e ferramentas similares) lê palavras e frases inteiras como objetos visuais, usando 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 ruídos (pontos, padrões de fundo) fornece um sinal mais limpo para o mecanismo de OCR. Veja nosso guia para melhorar a precisão do OCR para fluxos de trabalho de pré-processamento testados em campo.

Quando Escalar: O Que Fazer Se Nenhuma Correção Funcionar

Se você verificou a codificação, conferiu as fontes e pré-processou a imagem — e a saída ainda está ilegível — a ferramenta pode não ser adequada para o tipo de documento. Documentos com scripts mistos, fontes decorativas, notação matemática ou sobreposições pesadas de carimbos levam o OCR tradicional além de seus limites de projeto.

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 ImageToTable.ai ignoram problemas de codificação e fonte porque extraem significado da renderização visual da página, não de uma camada de texto pré-existente. Você envia o documento, nomeia as colunas desejadas 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 para se preocupar.

FAQ

Texto OCR ilegível não é aleatório — veja o que fazer agora

Quando a saída do OCR parece um alfabeto embaralhado, é tentador culpar o software e seguir em frente. Mas as três causas abordadas aqui — incompatibilidade de codificação, problemas de fonte e confusão de caracteres por resolução — têm cada uma uma assinatura específica e uma correção correspondente. Aprender a distingui-las transforma um mistério frustrante em um diagnóstico repetível.

Comece pelo sintoma: caracteres múltiplos e bagunçados ao redor de acentos (como é) → incompatibilidade de codificação, resolva com re-codificação ou ftfy. Renderização perfeita na tela, mas OCR produz glifos não relacionados → problema de fonte, resolva forçando OCR na camada de imagem. Caracteres individuais trocados por similares (5→S) → problema de resolução, resolva com pré-processamento ou uma ferramenta sensível ao contexto.

A última opção — migrar do OCR baseado em caracteres para extração baseada em visão — contorna as causas raiz por completo ao ler o documento como um humano faria: entendendo o significado em vez de combinar padrões de pixels ou percorrer tabelas de codificação.

Teste em seus próprios documentos ilegíveis. Veja se o problema desaparece quando o motor não depende mais de uma camada de texto.