Texto Deturpado em PDFs Pesquisáveis para Escritas Não Latinas

Updated: 3 de julho de 2026

OCR um documento com IronOCR, salve-o como um PDF pesquisável, e o texto reconhecido pode parecer correto na tela, mas se transformar em um absurdo quando você o copia ou extrai. Isso acontece quando a fonte do PDF não tem glifos para o script que você reconheceu, e é comum com scripts não latinos e complexos. A solução é salvar o PDF com uma fonte que suporte seu script; o exemplo abaixo usa Gujarati.

O texto reconhecido não tem caracteres correspondentes para mapear, então o texto copiado sai deturpado, mesmo que o OCR tenha lido a página corretamente. Uma fonte somente latina não resolverá isso: a fonte que você fornece tem que cobrir o script que você realmente reconheceu.

Pré-requisitos

IronOCR com o pacote de idioma para o seu script. Este exemplo usa OcrLanguage.GujaratiBest.
Uma fonte TrueType que suporta seu script alvo. Este exemplo usa AnekGujarati, disponível gratuitamente no Google Fonts.
O caminho completo para esse arquivo de fonte.

Observe: Requer IronOCR versão 2026.3.3 ou posterior.

Solução

1. Coloque uma Fonte que Cobre Seu Script

Encontre uma fonte que inclua glifos para seu script alvo, coloque-a na máquina e anote seu caminho completo. Para o exemplo Gujarati:

C:\Path\To\AnekGujarati-VariableFont_wdth,wght.ttf

C:\Path\To\AnekGujarati-VariableFont_wdth,wght.ttf

Text

O nome de arquivo de variável-fonte AnekGujarati contém uma vírgula, então copie-o exatamente. O caminho deve apontar para o arquivo de fonte exato.

2. Passe a Fonte para SalvarComoPdfPesquisável

Ao salvar o PDF pesquisável, forneça o caminho para sua fonte capacitada para o script como o argumento CustomFontFile (3º). O 4º argumento é um rótulo CustomFontName opcional; se você omití-lo, o IronOCR usa o próprio nome do arquivo de fonte:

ocrResult.SaveAsSearchablePdf(
    strOutputFile,
    false,
    @"C:\Path\To\AnekGujarati-VariableFont_wdth,wght.ttf",
    "AnekGujarati");

ocrResult.SaveAsSearchablePdf(
    strOutputFile,
    false,
    @"C:\Path\To\AnekGujarati-VariableFont_wdth,wght.ttf",
    "AnekGujarati");

O argumento que corrige a extração deturpada é o arquivo de fonte (3º parâmetro): ele deve conter glifos para o script que você fez OCR. O 4º parâmetro apenas nomeia a fonte incorporada e não afeta o mapeamento do script. Para um documento diferente, aponte o 3º parâmetro para uma fonte que suporte aquele script.

3. Confirme as Extrações de Texto

Abra o PDF gerado e copie o texto reconhecido para verificar se agora ele é extraído corretamente. Se ainda aparecer deturpado, a fonte fornecida quase certamente não tem glifos para seu script; reverifique se a fonte realmente o cobre.

Notas

Não específico para Gujarati: qualquer script não latino ou complexo pode mostrar texto copiado deturpado quando a fonte do PDF não o cobre, incluindo Devanagari (Hindi, Marathi), Árabe, Tailandês, e texto Chinês, Japonês ou Coreano.
Uma fonte por script: forneça uma fonte que inclua o script que você reconheceu. A família Noto do Google é uma opção ampla, com fontes por script como Noto Sans Gujarati, Noto Sans Devanagari e Noto Sans Arabic.

Curtis Chau

Converse agora mesmo com a equipe de engenharia.

Redator Técnico

Curtis Chau é bacharel em Ciência da Computação (Universidade Carleton) e se especializa em desenvolvimento front-end, com experiência em Node.js, TypeScript, JavaScript e React. Apaixonado por criar interfaces de usuário intuitivas e esteticamente agradáveis, Curtis gosta de trabalhar com frameworks modernos e criar manuais bem estruturados e visualmente atraentes.

...