OCR em PDFs no Linux com Tesseract: Guia Completo

O Tesseract precisa ser instalado junto com os dados de idioma para o português. Sem os dados do idioma correto, o reconhecimento de texto em português terá muitos erros.

1. 1Instale o Tesseract: sudo apt install tesseract-ocr (Ubuntu/Debian) ou sudo dnf install tesseract (Fedora)
2. 2Instale o pacote de idioma português: sudo apt install tesseract-ocr-por (para português do Brasil)
3. 3Verifique os idiomas instalados: tesseract --list-langs
4. 4Teste a instalação com uma imagem simples: tesseract imagem.png output -l por
5. 5Instale também o pdftoppm para converter PDFs antes do OCR: sudo apt install poppler-utils

O Tesseract processa imagens, não PDFs diretamente (nas versões mais recentes, pode processar PDFs diretamente com o Tesseract 4+). Para PDFs escaneados, o fluxo de trabalho típico é converter o PDF em imagens com pdftoppm e depois aplicar o Tesseract em cada imagem. Workflow básico para um PDF de uma única página: 1. pdftoppm -png -r 300 documento.pdf pagina 2. tesseract pagina-1.png output -l por 3. O resultado fica em output.txt Para gerar um PDF pesquisável (com camada de texto sobre a imagem): tesseract pagina-1.png output -l por pdf Isso cria output.pdf com texto pesquisável. Para o Tesseract 4+ que aceita PDFs diretamente: tesseract documento.pdf output -l por pdf O Tesseract 4 usa LSTM (redes neurais) para reconhecimento, o que oferece precisão significativamente melhor que o Tesseract 3, especialmente para textos com fontes variadas ou documentos de qualidade moderada. Para documentos com múltiplos idiomas (por exemplo, um relatório em português com termos técnicos em inglês): tesseract documento.png output -l por+eng Isso usa tanto os dados de português quanto de inglês para melhorar o reconhecimento de termos técnicos.

A precisão do OCR com Tesseract pode ser melhorada significativamente com pré-processamento das imagens antes de aplicar o reconhecimento. O ImageMagick é seu aliado aqui para preparar as imagens. Melhorar contraste antes do OCR: convert -contrast-stretch 0%x2% imagem.png melhorada.png && tesseract melhorada.png output -l por Converter para escala de cinza e binarizar: convert -colorspace Gray -threshold 50% imagem.png binaria.png && tesseract binaria.png output -l por Remover ruído (útil para documentos escaneados com qualidade baixa): convert -median 2 imagem.png limpa.png && tesseract limpa.png output -l por Ajustar DPI para pelo menos 300 antes do OCR: convert -density 300 -units PixelsPerInch imagem.png ajustada.png O Tesseract tem configurações internas que também afetam a precisão. O parâmetro --oem (OCR Engine Mode) define o motor a usar: --oem 0 usa o motor legado (mais compatível), --oem 1 usa LSTM (mais preciso), --oem 3 usa ambos e escolhe o melhor. O parâmetro --psm (Page Segmentation Mode) é crucial para documentos com layouts não-padrão: --psm 6 assume uma única coluna de texto (padrão para documentos típicos), --psm 11 funciona bem para textos esparsos, --psm 3 é o modo automático que analisa o layout.

Para processar múltiplos PDFs com OCR automaticamente, scripts bash com Tesseract são extremamente eficientes. Aqui estão scripts práticos para cenários comuns. Script para fazer OCR em todos os PDFs de uma pasta e criar PDFs pesquisáveis: ```bash #!/bin/bash for pdf in *.pdf; do base="${pdf%.pdf}" echo "Processando: $pdf" pdftoppm -png -r 300 "$pdf" "/tmp/ocr_$base" for img in /tmp/ocr_$base-*.png; do pagina=$(echo "$img" | grep -oP '\d+(?=\.png)') tesseract "$img" "/tmp/${base}_p${pagina}" -l por pdf done pdfunite /tmp/${base}_p*.pdf "${base}_ocr.pdf" rm /tmp/ocr_$base*.png /tmp/${base}_p*.pdf echo "Concluído: ${base}_ocr.pdf" done ``` Script simplificado usando o Tesseract 4+ com suporte direto a PDF: ```bash #!/bin/bash for pdf in *.pdf; do base="${pdf%.pdf}" tesseract "$pdf" "${base}_ocr" -l por pdf echo "OCR concluído: ${base}_ocr.pdf" done ``` Para processamento paralelo (mais rápido em servidores com múltiplos núcleos): ls *.pdf | parallel -j 4 'tesseract {} {.}_ocr -l por pdf' O comando parallel (instale com sudo apt install parallel) processa 4 arquivos simultaneamente, reduzindo drasticamente o tempo total para grandes coleções de documentos.