ou clique para escolher no computador
A ferramenta lê o texto e a posição exata de cada palavra.
CPF, nomes e contatos são propostos. Você confirma e ajusta.
A página vira imagem. Não há texto por baixo para recuperar.
Um retângulo preto desenhado por cima do texto não apaga nada: o texto continua no arquivo e sai num Ctrl+C, num pdftotext ou em qualquer visualizador. Aqui cada página é rasterizada e a tarja é queimada nos pixels, então não há camada de texto por baixo para recuperar.
O preço é conhecido: o resultado não é mais pesquisável nem selecionável, e o arquivo costuma ficar maior.
PDF escaneado não tem camada de texto. Pior: PDFs de impressora virtual (PScript5, Distiller) costumam embutir as fontes sem tabela ToUnicode — o texto está lá, a posição de cada palavra é exata, mas o que se extrai são códigos de glifo e nenhum padrão casa. Nos dois casos a ferramenta detecta e roda o OCR sem você pedir.
O OCR erra: número trocado, acento perdido, coluna fora de ordem. Por isso o passo 3 existe.
Autor, título, produtor e datas de criação carregam nome de usuário, versão do sistema e horário. Ao montar o novo arquivo esses campos são gravados em branco e as datas zeradas.
Todo arquivo gerado é reaberto e submetido a uma extração de texto antes de ser oferecido. Se a contagem de caracteres extraíveis não for zero, o resultado aparece marcado como reprovado em vez de ser entregue em silêncio.