Dá para tornar um PDF digitalizado pesquisável sem mudar a aparência dele?

Dá, e é assim que o OCR é normalmente aplicado. O texto reconhecido é colocado numa camada invisível posicionada atrás da imagem original, então a página que você vê fica intacta enquanto busca, seleção e cópia passam a funcionar.

Meu PDF é selecionável em parte e em parte não. O que está acontecendo?

É um arquivo misto — algumas páginas foram geradas como texto e outras foram digitalizadas e inseridas, o que é muito comum em contratos assinados, onde só a folha de assinaturas passou pelo scanner. Rodar OCR no documento inteiro é inofensivo: as páginas que já têm texto são deixadas em paz.

O OCR altera meu texto original?

Não. O OCR acrescenta uma camada em vez de substituir qualquer coisa. Se o reconhecimento sair ruim, a página por baixo continua sendo exatamente a digitalização com que você começou.

como saber se um pdf é digitalizado

PDF digitalizado ou PDF de texto? Como saber

Tente selecionar uma palavra. Se o cursor destaca a palavra, você tem texto. Se ele desenha uma caixa sobre a página inteira, você tem uma fotografia — e esse único fato explica quase tudo o que um PDF deixa e não deixa você fazer.

Os dois tipos

Um PDF de texto guarda caracteres. Ele sabe que a página contém a palavra "nota fiscal", sabe em qual fonte desenhá-la e sabe exatamente onde ela fica na página. Tudo o que sai do Word, de um navegador, de um sistema contábil ou da exportação de praticamente qualquer programa é desse tipo.

Um PDF digitalizado guarda pixels. Um scanner, a câmera de um celular ou um fax fotografou uma folha de papel e embrulhou a imagem resultante em um recipiente PDF. O arquivo não faz ideia de que há palavras ali. Para o programa, é uma imagem grande que por acaso tem formato de página.

Os dois abrem no mesmo leitor e ficam bem parecidos na tela. Todo o resto é diferente.

Como verificar

Selecione uma palavra com o cursor. Texto destaca palavra por palavra e acompanha a linha. Uma digitalização devolve um retângulo sobre a imagem inteira, ou nada.

Busque uma palavra que você está vendo. Ctrl+F, digite, Enter. Nenhum resultado para uma palavra claramente visível na página é conclusivo: não existe camada de texto.

Olhe o tamanho do arquivo. Vinte páginas em 200 KB é texto. Vinte páginas em 25 MB são digitalizações.

Dê muito zoom. O texto continua nítido a 400% porque é redesenhado a cada nível de zoom. Uma digitalização vira pixels visíveis ou borrão de JPEG.

Por que isso importa

É o que decide o que é possível. Você não consegue buscar, copiar nem converter uma digitalização para Word em nenhum sentido útil, porque não há nada no arquivo para buscar, copiar ou converter. As ferramentas que parecem fazer isso estão rodando OCR antes, digam ou não digam.

Também decide o tamanho do arquivo, como acima, e decide a acessibilidade: um leitor de tela lê um PDF de texto em voz alta e não faz absolutamente nada com uma digitalização. Se um documento precisa ser acessível, é a primeira coisa a verificar, não a última.

Buscar e copiar: Só em texto. Uma digitalização precisa de OCR antes que qualquer um dos dois funcione.
Converter para Word ou Excel: Texto converte direto. Uma digitalização converte só até onde o OCR conseguiu ler.
Tamanho do arquivo: Texto é pequeno e continua pequeno. Digitalizações são grandes e só a compressão ajuda.
Leitores de tela: Texto pode ser lido em voz alta. Uma digitalização é muda.

Transformar uma digitalização em texto

O OCR — reconhecimento óptico de caracteres — olha a imagem e descobre quais letras está vendo. Aplicado a um PDF digitalizado, ele acrescenta uma camada de texto invisível atrás da imagem, de modo que a página continua exatamente com a mesma aparência, mas agora é pesquisável, selecionável e conversível.

É um processo de leitura, não de conversão, então nunca é perfeito. Texto impresso limpo, reto e a 300 DPI é lido com muita precisão. Fotocópias fracas, colunas apertadas, fontes incomuns e letra de mão são lidas mal ou não são lidas. Confira o resultado antes de confiar nele, principalmente nos números, onde um dígito lido errado parece perfeitamente plausível.