OCR

Quando você escaneia um contrato ou fotografa uma conta, o computador não enxerga palavras. Enxerga uma grade de pixels claros e escuros. Para o programa, aquilo é uma figura: não dá para selecionar, copiar nem localizar com Ctrl+F. O OCR resolve exatamente esse problema: analisa a imagem, identifica onde há caracteres e devolve o texto correspondente.

A sigla vem do inglês Optical Character Recognition, Reconhecimento Óptico de Caracteres. As primeiras máquinas desse tipo são do início do século XX: a Wikipedia cita uma patente de 1915 para um aparelho que lia caracteres e os convertia em código telegráfico. Os motores atuais, como o Tesseract (de código aberto), usam redes neurais: a versão 4.00 do Tesseract incluiu um subsistema de rede neural que reconhece linhas de texto inteiras.

Como funciona

O processo tem etapas. Primeiro vem o pré-processamento, que pode incluir endireitar a página inclinada, remover pontos e manchas, converter a imagem para preto e branco (binarização) e remover linhas e caixas que não são letras. Depois, a análise de layout identifica colunas, parágrafos e blocos, e o software detecta linhas e palavras.

Em seguida vem o reconhecimento. O motor compara a imagem com o que aprendeu e produz candidatos para cada trecho, em geral com uma probabilidade associada. Por último, pode haver pós-processamento: segundo a Wikipedia, a precisão sobe quando a saída é restringida por um léxico (uma lista de palavras permitidas), e o Tesseract usa dicionários para isso. A contrapartida é que palavras fora do léxico, como nomes próprios, podem ser reconhecidas com erro.

A qualidade do resultado depende muito da imagem de entrada. A documentação do Tesseract diz que ele funciona melhor com imagens de pelo menos 300 DPI e aponta como causas de queda de precisão a página inclinada, o ruído na imagem e bordas escuras da digitalização. Não existe taxa de acerto fixa: a Wikipedia cita um estudo com páginas de jornais dos séculos XIX e XX em que o acerto por caractere, em programas comerciais, ficou entre 81% e 99%, e lembra que um erro de 1% por caractere pode virar 5% ou mais se a medida for por palavra.

Na prática

Você recebe um PDF, tenta buscar uma palavra com Ctrl+F e não encontra nada, mesmo vendo a palavra na tela. Isso costuma indicar que o arquivo é uma imagem (uma digitalização ou uma foto) e não tem texto. Passando o documento pelo OCR, a página ganha texto selecionável e a busca passa a funcionar. Se o texto não seleciona no PDF, o OCR é um dos caminhos.

A ferramenta do FacilPDF roda no navegador, com o Tesseract.js (versão do Tesseract para JavaScript), e entrega duas coisas: um PDF em que cada página é uma imagem JPEG com o texto reconhecido em uma camada invisível por cima, e o texto puro em um arquivo separado. Como as páginas viram imagens, a ferramenta serve para PDFs que não têm texto; em um PDF que já tem texto selecionável, ela não é necessária e refaz o arquivo como imagem. O OCR renderiza cada página em escala 2 em relação ao tamanho nominal do PDF (cerca de 144 pontos por polegada), então o ganho de detalhe de digitalizações de maior resolução não é aproveitado integralmente.

OCR não é tradução nem correção

O OCR lê o que está escrito, sem julgar. Se o documento original tem um erro de digitação, o erro atravessa intacto. Ruído como manchas e carimbos sobre o texto prejudica o reconhecimento, e a Wikipedia registra que o reconhecimento de escrita manuscrita ainda é objeto de pesquisa ativa e tem acerto menor que o de texto impresso. Revise os trechos que importam, principalmente números, datas e nomes.

Para os detalhes de uso, o tutorial de OCR mostra o passo a passo.