Extrair texto de imagem

Por que este leitor não pede upload

Quase todo site de OCR funciona assim: você envia a imagem, o servidor deles lê e devolve o texto. Funciona, e tem um custo que quase nunca aparece escrito.

A imagem que você quer transcrever costuma ser justamente a que não deveria sair da sua máquina: o print do contracheque, a foto do documento, a nota fiscal do cliente, a tela de um sistema interno. Em muita empresa isso esbarra na política de segurança, e com razão.

Aqui a conta é invertida. Em vez de a sua imagem ir até o programa, o programa vem até você: na primeira vez, o navegador baixa o leitor e o dicionário de português, e daí em diante tudo acontece dentro da aba. Você pode conferir desligando a internet depois da primeira leitura.

É a mesma ideia do nosso abridor de arquivos .msg e .eml, que também lê tudo dentro do navegador, e da matriz de Eisenhower online, em que a sua lista de tarefas nunca sai daí.

Como funciona por baixo

O motor é o Tesseract, um programa livre de reconhecimento de texto que existe desde os anos 80 e hoje é mantido pela comunidade. Ele foi compilado para WebAssembly, que é o formato que permite rodar programas assim dentro do navegador, na velocidade de um programa instalado.

Não há consulta a serviço nenhum e não há inteligência artificial generativa envolvida: o Tesseract reconhece as letras com uma rede neural treinada para isso e transcreve o que está escrito, sem interpretar, resumir ou completar o que faltou.

O que a ferramenta faz com a imagem antes de ler

• Confere o formato pelos bytes do início, não pela extensão. Arquivo renomeado à mão não passa;
• Converte para tons de cinza, porque texto colorido sobre fundo colorido confunde o limiar que o motor usa para separar letra de fundo;
• Amplia imagens pequenas. O motor foi treinado em digitalização de 300 pontos por polegada, e print de tela costuma ter 96: dobrar o tamanho resolve boa parte dos erros de letra pequena.

Onde o OCR acerta e onde ele erra

Vale saber antes de confiar no resultado:

• Acerta bem: print de tela, documento escaneado, foto de frente com boa luz e texto impresso;
• Erra às vezes: texto muito pequeno, coluna dupla, tabela, fundo colorido;
• Erra muito: foto torta, com sombra ou reflexo, e foto de tela de computador tirada com celular;
• Não funciona: letra manuscrita.

Se o texto que você está extraindo é um pedido de trabalho, o passo seguinte costuma ser virar tarefa. O artigo sobre como transformar e-mail em tarefa sem esquecer pedidos descreve o método, e o guia de como organizar as tarefas do trabalho mostra o processo inteiro.

Por isso a ferramenta mostra a confiança média de cada leitura. É a nota que o próprio motor dá para o trabalho dele, e serve de alerta: OCR erra em silêncio, e sem esse número um texto com palavra trocada parece tão certo quanto um texto correto. Confira sempre os números, que são onde o erro dói mais.

Perguntas frequentes

A imagem é enviada para algum servidor?

Não. A leitura acontece dentro do seu navegador. O que viaja pela internet é o contrário: o programa que lê o texto vem para a sua máquina na primeira vez que você usa, e a imagem fica onde sempre esteve.

Dá para conferir sozinho: use uma vez, recarregue a página, desligue a internet e extraia o texto de outra imagem. Se funcionar sem rede, é porque nada estava sendo enviado.

Quais formatos são aceitos?

JPG, PNG, WEBP e BMP. O formato é reconhecido pelos primeiros bytes do arquivo, não pela extensão: renomear um PDF para .png não engana a ferramenta, e você recebe um aviso em vez de um resultado errado.

PDF não entra por enquanto. Se o seu documento é um PDF, uma saída rápida é tirar um print da página e soltar o print aqui.

Por que demora na primeira vez?

Porque o leitor de texto precisa vir para o seu navegador: são cerca de 10 MB somando o motor e o dicionário de português. Esse download acontece uma vez só, e só quando você escolhe uma imagem. Quem abre a página para ler não baixa nada disso.

Depois disso o motor fica no cache do navegador e o idioma fica guardado, então a segunda imagem começa a ser lida na hora.

Em que tipo de imagem funciona bem?

Funciona bem em print de tela, documento escaneado direito e foto tirada de frente, com boa luz e texto impresso. Nesses casos o acerto costuma passar de 90%.

Funciona mal em foto torta, com sombra ou reflexo, em texto muito pequeno e em tabela de várias colunas. E não funciona em letra manuscrita: o leitor foi treinado em texto impresso.

O que é aquela porcentagem de confiança?

É a nota que o próprio leitor dá para o que ele acabou de ler, de 0 a 100. Acima de 85% o texto costuma sair limpo. Entre 70% e 85% vale uma conferida. Abaixo de 70% é bem provável que tenha palavra trocada.

Esse número existe porque OCR erra em silêncio: sem ele, um texto com erro parece tão certo quanto um texto correto.

Como melhorar o resultado?

Fotografe de frente, com a folha inteira no quadro e boa luz, sem sombra da própria mão. Se for print de tela, dê zoom antes de printar: letra maior na imagem significa menos erro.

Corte o que não interessa antes de soltar aqui. Quanto menos ruído em volta do texto, melhor. A ferramenta já converte para cinza e amplia imagens pequenas automaticamente.

Isso usa inteligência artificial?

Usa um motor de reconhecimento chamado Tesseract, que é um programa livre com mais de trinta anos de história e que hoje usa uma rede neural treinada para reconhecer letras. Não é inteligência artificial generativa e não existe consulta a nenhum serviço: o programa inteiro roda dentro da sua aba.

A diferença aparece no resultado: ele transcreve o que está escrito, sem interpretar, resumir ou completar o que faltou.