Reconhecer texto em imagem e PDF escaneado (OCR)

Quando o texto não é texto de verdade

Um PDF gerado direto de um editor de texto guarda cada letra como texto de verdade, pronto para copiar ou extrair diretamente. Um PDF escaneado — a digitalização de um papel — ou uma foto de um documento não têm essa camada: o que existe é só uma imagem, e o que parece texto é, para o computador, um conjunto de pixels como qualquer outra parte da foto. OCR (reconhecimento óptico de caracteres) é o processo de identificar, a partir desses pixels, quais letras e palavras provavelmente estão ali — é isso que esta ferramenta faz, usando o motor de código aberto Tesseract, rodando inteiramente no navegador.

Por que o navegador baixa arquivo grande na primeira vez

O motor de reconhecimento e o conjunto de dados treinados de cada idioma são arquivos grandes — o motor sozinho passa de 3 MB, e o dado de cada idioma soma mais alguns megabytes, específico daquele idioma. Carregar tudo isso junto com a página deixaria qualquer ferramenta deste portal lenta para todo mundo, mesmo quem nunca usa OCR. Por isso o download só acontece quando a ferramenta é de fato usada, com o tamanho real mostrado antes de começar — e só do idioma escolhido, nunca de todos ao mesmo tempo.

Como o progresso por página funciona

Um PDF escaneado com várias páginas é processado uma página de cada vez: cada página vira uma imagem internamente (a mesma tecnologia usada para gerar miniatura de PDF neste portal), passa pelo reconhecimento, e só então a próxima página começa. O indicador de progresso mostra em qual página o processamento está — útil para saber quanto falta num documento longo, e para decidir se vale a pena cancelar caso o resultado das primeiras páginas já pareça ruim o suficiente para não valer a pena continuar.

O que determina um bom resultado

Precisão de OCR depende diretamente da qualidade da imagem de entrada: boa resolução, bom contraste entre o texto e o fundo, sem inclinação nem desfoque, produzem resultado bem mais confiável do que uma foto tirada de ângulo, com pouca luz, ou um scan de baixa qualidade. Texto manuscrito, em particular, não é reconhecido de forma confiável por este motor — ele foi treinado para texto impresso ou digitado, com formas de letra muito mais regulares do que a escrita à mão de qualquer pessoa.

A mesma estrutura, para as mesmas conversões

O texto reconhecido não sai só como texto solto — sai organizado na mesma estrutura usada pelas ferramentas PDF para Word e PDF para Excel deste portal: parágrafo, hierarquia de título estimada, e alinhamento de coluna candidato a tabela. Por isso, um botão próprio gera o .docx e outro detecta tabela e gera o .xlsx diretamente do resultado do OCR, sem precisar primeiro montar um PDF intermediário com esse texto para depois converter de novo.

Por que só português e inglês nesta primeira versão

Cada idioma precisa do próprio conjunto de dados treinados — não é uma opção de configuração, é um arquivo inteiro por idioma, específico da forma como aquele idioma é escrito. Oferecer muitos idiomas de uma vez significaria manter, hospedar e validar dezenas desses arquivos. Português e inglês cobrem a maior parte do uso esperado deste portal nesta primeira versão — mais idiomas podem ser adicionados depois, sem mudar como a ferramenta funciona para quem já usa.

Processando vários arquivos de uma vez

É possível enviar mais de uma imagem ou PDF ao mesmo tempo — cada arquivo é processado na fila, um de cada vez, com o mesmo idioma escolhido para todos. O progresso mostra tanto o arquivo atual da fila quanto a página atual dentro dele (quando é um PDF de várias páginas), e cancelar interrompe antes do próximo arquivo ou da próxima página começar — o que já foi reconhecido até ali não se perde.

O que esta ferramenta não faz

Ela não garante precisão perfeita — o resultado depende da qualidade da imagem de entrada, e deve sempre ser conferido antes de qualquer uso onde exatidão importa. Não reconhece texto manuscrito de forma confiável. Não identifica idioma automaticamente — o idioma precisa ser escolhido antes de começar, e escolher o idioma errado prejudica bastante a precisão. E não processa nenhum arquivo em servidor algum: todo o reconhecimento acontece no navegador, com os dados do idioma baixados de um bucket próprio, nunca enviados a terceiro.