Reconhecimento de texto OCR de imagens e PDFs

Texto impresso limpo é reconhecido quase sem erros; fotos de celular e digitalizações desbotadas são mais difíceis. O motor endireita fotos de lado e lê cada linha no seu próprio quadro inclinado, e as palavras de baixa confiança ficam destacadas para você corrigir antes de exportar.

O motor neural lê português, inglês e os demais idiomas de escrita latina e cirílica, chinês, japonês, coreano, árabe, grego, hindi e tailandês; cerca de cem outros — hebraico, georgiano, vietnamita, bengali e mais — são reconhecidos pelo Tesseract. Os idiomas são agrupados por escrita na lista; os modelos são carregados no primeiro uso e ficam no cache do navegador.

Sim. PDFs multi-página são renderizados página a página via pdf.js e então passam pelo OCR. Você também pode exportar o resultado de volta como um PDF pesquisável com camada de texto invisível, para que Ctrl+F funcione e leitores de tela possam lê-lo.

O modo comum é ajustado para texto impresso: letra clara com letras separadas costuma ser lida, a cursiva não. Para manuscritos existe “Reconhecer com mais precisão”: a página é enviada a um servidor de reconhecimento e lida por um modelo feito para caligrafia. Em páginas de cadernos escolares ele leu corretamente quase 9 de cada 10 palavras; o modo comum, menos de 1 em 10.

Após o OCR agrupamos as palavras reconhecidas pela posição vertical em linhas e dividimos as linhas em colunas com base nos espaços horizontais. Quando pelo menos três linhas compartilham o mesmo número de colunas, tratamos como tabela e exportamos como linhas e colunas no Excel; caso contrário, o arquivo Excel tem apenas uma coluna de texto.

A fila aceita até 50 arquivos. Quantos arquivos são reconhecidos por dia e quantas páginas de PDF uma passada lê aparecem no quadro acima do botão «Extrair texto». O limite de tamanho por arquivo se adapta ao dispositivo (de cerca de 80 MB em celulares até 1 GB em desktops); PDFs são processados página a página, e um documento grande ganha um seletor de intervalo de páginas.