OCR — Extrator de Texto de Imagem grátis

Exemplo prático

Pegue a digitalização de uma página A4 com 2480 × 3508 pixels (300 dpi). Deixe “Idioma da imagem” em Inglês, clique em “Extrair texto”, e a ferramenta procura texto em uma cópia reduzida para 672 × 960 pixels e depois lê cada linha em uma cópia de 1357 × 1920. Em seguida, os blocos mostram “Confiança”, “Linhas”, “Palavras” e “Caracteres”. Se você escolher “PDF pesquisável (.pdf)”, um arquivo chamado como “scan_ocr.pdf” traz a imagem original em uma página de cerca de 595 × 842 pontos (tamanho A4) com o texto reconhecido sobreposto de forma invisível. Na primeira visita, o pacote do alfabeto latino tem 7,7 MB e o detector compartilhado, 11,1 MB: 18,7 MB de modelos no total. Se, em vez disso, você soltar um PDF digitalizado de 10 páginas, a página mostra “10 páginas · cerca de 5 minutos neste dispositivo”, uma primeira estimativa de 30 segundos por página.

Quais configurações usar e os limites

• Escolha o idioma da imagem antes de clicar em “Extrair texto”. O menu “Idioma da imagem” lista 51 idiomas agrupados por sistema de escrita, e o título de cada grupo mostra o tamanho do download, como “Alfabeto latino — 7,7 MB” ou “Chinês e japonês — 15,9 MB”. Idiomas do mesmo grupo compartilham um único download, então trocar de francês para polonês não custa nada. Coreano, árabe, devanágari, tailandês, grego, tâmil e telugo precisam, cada um, do seu próprio pacote. O menu começa no idioma da sua página e depois lembra a sua última escolha neste navegador. O hebraico não é suportado, e a página diz “O hebraico não é suportado por este motor.”
• Solte, cole ou envie seus arquivos em lote. A ferramenta aceita arquivos JPG, PNG, WebP, BMP e PDF, e você pode colar uma captura de tela com Ctrl+V. Solte vários arquivos, ou use “Adicionar mais arquivos”, e eles entram em uma fila que os lê um após o outro com o mesmo idioma. Na fila, você escolhe “Salvar cada arquivo como” “Texto simples (.txt)” ou “PDF pesquisável (.pdf)”, e o menu tem “Baixar um .txt combinado”. Uma imagem com mais de 40 megapixels é recusada, por exemplo qualquer uma maior que 8000 × 5000 pixels.
• Escolha o formato de exportação que atende ao que você precisa. “Formato de exportação” oferece “Texto simples (.txt)”, “PDF pesquisável (.pdf)” e “Texto pesquisável hOCR (.html)”. Uma imagem abre na opção de texto, e um PDF abre no PDF pesquisável. O PDF pesquisável mantém as imagens originais das páginas exatamente como estão, com o texto invisível por cima, para que você possa pesquisar, selecionar e copiar em um leitor de PDF. O hOCR é oferecido apenas para imagens avulsas. Ele guarda a posição de cada linha, mas como retângulos retos, então linhas inclinadas perdem a inclinação. Os arquivos recebem nomes como “scan.txt”, “scan_ocr.pdf” e “scan.hocr.html”.
• Em PDFs digitalizados, conte com cerca de 30 segundos por página e use “Parar e manter”. Antes de começar, um PDF mostra uma estimativa de tempo com base em 30 segundos por página. A partir da segunda página, a barra passa a mostrar um “cerca de N min restantes” medido no seu próprio dispositivo, e aparece um botão como “Parar e manter as primeiras 3 páginas”. Ao clicar nele, a execução termina e as páginas concluídas são mantidas, e o resultado traz a nota “Parado antes do fim: o texto e o PDF pesquisável cobrem as páginas 1–3 de 10.” Páginas que já têm texto de verdade são mantidas como estão, com a nota “Esta página já continha texto, por isso foi mantida como está.” Um PDF protegido por senha é recusado.
• Dê ao detector uma foto nítida e próxima do texto. O texto é localizado em uma cópia da sua imagem cujo lado maior tem no máximo 960 pixels, e imagens pequenas nunca são ampliadas. Assim, uma página inteira fotografada de longe deixa pouco detalhe por letra. Recorte o texto de que você precisa e fotografe de frente, com luz uniforme. Linhas que o reconhecedor avalia abaixo de 50% são descartadas. Depois de uma execução, “Mostrar as caixas de texto detectadas” desenha as caixas na prévia, para que você veja quais linhas foram encontradas. A própria página avisa que a escrita à mão ainda funciona mal e que impressão muito pequena ou de baixo contraste pode passar despercebida.
• Saiba o que é baixado e o que não sai do seu dispositivo. A primeira execução baixa os modelos compartilhados de detecção e de orientação (11,1 MB juntos) e o pacote do seu alfabeto, e a página informa o valor único antes de começar. Ela também busca o arquivo do mecanismo ONNX Runtime compartilhado, que já está incluído nesse valor, a menos que outra ferramenta do site que roda no dispositivo já o tenha guardado em cache. Depois disso, os modelos ficam no cache do seu navegador e a página diz “O modelo já foi baixado, não há nada a buscar.” O aviso sobre o modelo diz que os arquivos do modelo são baixados do servidor do próprio site e que o seu arquivo nunca é enviado. Se quiser o espaço de volta, use “Remover o modelo baixado” com o respectivo tamanho.

Problemas comuns e como resolvê-los

Aparece “Não foi possível ler essa imagem. Tente um arquivo JPG, PNG ou WebP.” e “Extrair texto” está esmaecido.

O navegador não conseguiu decodificar o arquivo como imagem. O arquivo pode estar danificado ou ser de outro formato salvo com nome de JPG ou PNG. O botão fica desativado para esse arquivo para não falhar de novo; remova-o e adicione outro. Salve a imagem novamente como JPG, PNG ou WebP, ou tire uma captura de tela dela e cole. Um PDF que não abre mostra “Não foi possível ler este arquivo como PDF. Ele pode estar danificado ou não ser um PDF.”

Aparece “OCR falhou”.

A execução parou antes de terminar. Uma das causas é que o mecanismo no dispositivo não deu nenhum sinal de progresso por 180 segundos, o que a página considera um travamento. Esse temporizador conta apenas o tempo em que a aba está visível, então deixe a aba na frente durante uma execução longa. Após uma falha, a ferramenta descarta o seu worker, então clicar em “Extrair texto” de novo inicia um novo. Se continuar acontecendo, recorte ou reduza a imagem, processe um PDF em partes menores ou tente um navegador de computador.

Aparece “Nenhum texto encontrado. Tente uma imagem mais nítida ou com mais contraste entre o texto e o fundo.”

O detector não encontrou nenhuma linha de que o reconhecedor tivesse pelo menos 50% de certeza. Verifique primeiro “Idioma da imagem”, porque cada pacote é feito para um sistema de escrita, então um pacote latino é a escolha errada para árabe, tailandês ou chinês. Depois recorte o texto, aumente o contraste e endireite a foto. A escrita à mão pode dar esse resultado. Em uma execução de PDF, a mesma mensagem aparece apenas quando nenhuma página produziu texto, então um PDF que já tem texto de verdade em todas as páginas gera texto, e não essa mensagem.

A caixa do modelo diz “O download foi interrompido - verifique sua conexão e tente novamente.” ou “Seu dispositivo está com a economia de dados ativada, então o download não foi iniciado.”

Os arquivos do reconhecedor não puderam ser buscados. Verifique a conexão e clique em “Tentar novamente”, ou desative a economia de dados ou passe para o Wi-Fi se aparecer a mensagem de economia de dados. Um download travado é informado separadamente. Sua imagem é decodificada antes de o download começar, então um arquivo ilegível ou grande demais nunca faz você baixar à toa. Se a caixa disser que o dispositivo não tem memória suficiente, ou que o navegador é muito antigo, use um computador ou um Chrome, Edge, Firefox ou Safari atualizado.

Aparece “Essa imagem é grande demais para ser processada em uma aba do navegador (limite de 40 megapixels). Redimensione-a e tente novamente.” ou “Uma página deste PDF é grande demais para ser renderizada em uma aba do navegador.”

A imagem tem mais de 40 milhões de pixels, mais do que uma aba do navegador consegue processar com segurança. Isso é verificado antes de qualquer download. Redimensione ou recorte em qualquer editor de imagens e adicione de novo, ou faça a foto em uma resolução menor da câmera. Uma foto de celular de 12 megapixels fica bem dentro do limite. No caso de um PDF, a mensagem significa que uma página é enorme, com muitos metros de largura. Exporte-o primeiro em um tamanho de página menor. Na fila, o arquivo mostra “Imagem demasiado grande para ler”.

Como se compara

Se um PDF já tem texto selecionável, você não precisa de OCR: a ferramenta percebe isso e mantém essas páginas como estão. Para digitalizações e fotos, o reconhecimento aqui roda no seu processador, então uma página densa leva cerca de 30 segundos e um celular é mais lento, enquanto outros programas de OCR podem ser mais rápidos. Esta ferramenta encontra linhas de texto e as devolve na ordem de leitura, sem reconstruir tabelas, colunas ou fontes, então uma página de duas colunas pode sair com as linhas das duas colunas misturadas. Em troca, ela oferece uma saída em PDF pesquisável, 51 idiomas e um arquivo que não é enviado.