Tesseract: o motor de OCR livre por trás do PDF pesquisável

O Tesseract é um motor de OCR de código aberto que reconhece letras em imagens. No AjustaPDF, ele lê cada página escaneada em 300 DPI e devolve o texto como uma camada invisível, posicionada sobre as letras da imagem. A foto original não é alterada: o que muda é que o texto passa a ser pesquisável e copiável.

De onde vem o Tesseract

O Tesseract nasceu num laboratório da HP, passou a ser desenvolvido pelo Google e hoje é mantido por uma comunidade de colaboradores. Ele é distribuído com licença Apache 2.0, e os modelos de idioma são arquivos públicos. Por isso é a escolha padrão de quem precisa de OCR sem contrato com fornecedor. Quem hoje usa um programa pago de OCR só para deixar o PDF pesquisável encontra a comparação em alternativa ao ABBYY FineReader.

Ele não é um serviço. É um programa de linha de comando que recebe uma imagem e devolve texto, ou um PDF com texto invisível. Quem usa o Tesseract num produto precisa decidir como renderizar as páginas, como lidar com a orientação e como juntar o resultado ao documento original. Essas decisões fazem tanta diferença quanto o próprio reconhecimento, e para rodar o Tesseract sem instalar nada no computador há o caminho do contêiner, em processar PDFs no Docker. O uso do Tesseract com OCRmyPDF está em OCR em PDF com OCRmyPDF e Python. O guia como funciona o OCR explica o reconhecimento em si, passo a passo.

O caminho de uma página no site

O OCR do site segue quatro etapas, nessa ordem. Cada uma tem uma ferramenta específica, o que ajuda a entender onde um erro pode nascer.

A primeira etapa define o que será lido. Uma página com texto selecionável já está pronta e não passa pelo motor de reconhecimento. Só as páginas escaneadas entram na fila, e isso economiza tempo num documento misto, com algumas páginas digitais e outras digitalizadas.

A quarta etapa é a que preserva o visual. A camada de texto é uma sobreposição, e a imagem da página fica intacta. Por isso o arquivo cresce pouco: o texto de uma página pesa alguns kilobytes, segundo o próprio conteúdo da ferramenta.

Idiomas e o que cada opção significa

O Tesseract carrega um modelo por idioma. O formulário do site oferece quatro combinações: português, português mais inglês, inglês e espanhol. Cada uma aponta para os modelos correspondentes. Num documento com trechos em outra língua, a combinação certa melhora o reconhecimento daquelas palavras.

Uma combinação com mais idiomas não é gratuita. O reconhecimento considera mais possibilidades e pode errar uma palavra que seria certa no idioma único. Por isso a escolha deve seguir o documento, não o desejo de cobrir tudo.

Limites e tempo de processamento

O motor lê até 60 páginas escaneadas por pedido. O limite existe porque o OCR precisa terminar dentro da janela de tempo da requisição. O comentário no código registra cerca de 2 segundos por página densa, medido na imagem de produção com duas CPUs. Com 60 páginas, sobra folga; com mais, o pedido é recusado com a sugestão de dividir o arquivo.

Dentro de um pedido, até quatro páginas são reconhecidas ao mesmo tempo, cada uma em um processo com uma única linha de execução. O motor preferiu isso a um processo com várias linhas por página, porque quatro processos independentes rendem mais do que um processo espalhado pelas CPUs.

Por que o OCR erra e o que melhora

A qualidade do reconhecimento depende da imagem, não do motor. O próprio OCR do site indica que papel liso, letra impressa e 200 DPI ou mais dão um texto quase sem erros. Manuscrito, carimbo sobre o texto e foto torta erram mais. Quando o texto saiu com palavras trocadas, veja OCR errou palavras para as causas mais comuns.

Para fotos tiradas com celular, a correção de perspectiva e de inclinação faz diferença. Se a página está torta, endireite-a antes do OCR. O guia sobre scan torto no PDF mostra como endireitar a página, e o guia sobre fundo cinza do scanner cuida do papel que escurece o texto.

Quando não precisa de OCR

Se o PDF já tem texto selecionável, o OCR não traz nada. Você pode confirmar isso tentando selecionar uma frase no leitor. Um PDF gerado a partir do Word ou de um sistema costuma ter texto; um escaneado não tem. Quando o texto existe mas está ruim, o problema é outro, e o guia de copiar texto de PDF escaneado trata disso.

Para ler e pesquisar um documento escaneado, use a ferramenta de OCR em PDF. Se o arquivo é uma foto de documento que ainda não virou PDF, comece pelo escanear documento, que endireita a página antes de tudo. Os resultados de OCR são um texto de trabalho: confira as palavras que importam antes de citá-las.