Converter TIFF para TXT

Quase nada chega como TIFF por acaso. Vem de um scanner, de um sistema de gestão documental, de uma área de arquivo, de um serviço de fax — e costuma ser papelada: contrato, correspondência, sinistro, processo, prontuário, ata.

Isso muda qual é a tarefa. Ninguém está tentando copiar um parágrafo de uma foto; alguém está tentando tornar um conjunto de documentos pesquisável, ou tirar texto citável de um acervo, ou extrair número de uma pilha de formulário. O volume é maior e a precisão importa mais.

Tudo que dificulta uma foto de celular está ausente. A página fica plana contra o vidro, sem perspectiva. A luz é uniforme, sem sombra sobre o texto. A resolução é conhecida e consistente. E um scanner foca exatamente na distância certa por construção.

O resultado prático é que letra impressa limpa digitalizada em boa resolução volta quase perfeita. Essa é uma expectativa genuinamente mais alta do que as páginas de foto deste site conseguem oferecer, e é por isso que trabalho de reconhecimento em volume se faz a partir de digitalização, não de foto.

Resolução primeiro. Abaixo de um certo limite não há pixel suficiente por caractere, e a precisão cai forte; 300 dpi é o padrão de trabalho, e o dobro disso vale a pena para letra pequena ou original de má qualidade.

Depois o original em si. Fax é o pior caso comum — resolução baixa por desenho, muitas vezes já em várias gerações de cópia. Cópia carbono, papel térmico desbotado, documento com carimbo ou anotação manuscrita sobre a letra, e fonte de máquina de escrever com caractere quebrado, todos produzem erro. Uma digitalização torta também, e vale endireitar antes do reconhecimento, não depois.

Um scanner frequentemente produz um TIFF único contendo todas as páginas de um documento. Só a primeira imagem do arquivo é lida, e não há ajuste de página para avançar além dela, então uma digitalização de dez páginas devolve o texto da primeira e nada mais. Nada avisa sobre as outras nove — a saída simplesmente para.

Em documentos digitalizados uma página por arquivo, isso não custa nada. Num pacote é o ponto em que a resposta honesta é que as páginas precisam ser separadas antes de chegar aqui, pelo próprio scanner ou pelo sistema de gestão que escreveu o TIFF. Esta página serve para o documento que você precisa ler agora, não para digitalizar uma sala de arquivo inteira.

O reconhecimento compara forma com letra. Não entende o documento e não consegue dizer onde teve dúvida, então o que volta é um texto fluente, com cara de completo, que pode conter erro que ninguém sinalizou.

Em trabalho de arquivo isso pesa mais que o normal. Um dígito lido errado num número de apólice, numa data, num valor ou numa referência de processo é exatamente o erro que sobrevive a uma leitura rápida e causa um problema real depois. Qualquer coisa que vai entrar num sistema, num processo ou numa citação deveria ser conferida contra a página de origem.

Para um acervo, texto puro descarta o que torna uma digitalização digna de guardar: a imagem da página, que é o registro. Um PDF pesquisável mantém essa imagem e coloca uma camada de texto por trás, então o documento continua parecendo ele mesmo, continua imprimindo igual, e pode ser pesquisado e copiado.

Texto puro é a saída certa quando você quer as palavras como palavras — para citar, indexar, alimentar outro processo, contar. Vale decidir qual dos dois você realmente precisa antes de converter cem arquivos, porque os dois fluxos de trabalho divergem na hora.

O reconhecimento acontece dentro da aba do navegador, no seu próprio processador. Nada é enviado, então não há cópia em servidor, não há prazo de retenção para perguntar, não há conta e não há limite diário.

Dado o que costuma estar nesses arquivos — contrato assinado, prontuário de paciente, peça processual, sinistro de seguro — isso é a diferença substancial em relação a um serviço hospedado, não um detalhe de marketing. Também elimina a pergunta incômoda de se enviar os documentos de um cliente a um terceiro precisava de autorização de alguém.