Tesseract OCR: ler um documento digitalizado localmente (guia francês)

#O que é o Tesseract e o que não é

Tesseract é um motor de reconhecimento óptico de caracteres publicado sob licença Apache 2.0. O repositório oficial, descrito pelos mantenedores como o “Tesseract Open Source OCR Engine”, tem hoje mais de 70.000 estrelas no GitHub. A versão 4 adicionou a ele um motor baseado em redes neurais LSTM, focado no reconhecimento de linhas; o motor histórico, que reconhece padrões de caracteres, continua disponível como opção. Ele lê formatos de imagem comuns (PNG, JPEG, TIFF) e gera texto bruto, hOCR, PDF ou TSV. A versão estável mais recente, a 5.5.3, foi lançada em 24 de julho de 2026. Na prática: instale o arquivo de idioma, prepare bem a imagem (300 pontos por polegada, página alinhada, contraste nítido), escolha o modo correto de segmentação e, em seguida, verifique o resultado em cerca de vinte páginas antes de iniciar um lote.

O que ele não é: uma ferramenta de compreensão de documentos. Ele retorna texto, possivelmente com posições. Não indica que um bloco é um título, não reconstrói uma tabela em linhas e colunas e não entende o que lê. Para um documento estruturado, o OCR é apenas uma peça entre outras.

#O francês: o arquivo de idioma

Por padrão, o Tesseract lê textos em inglês. Em um documento em francês, isso resulta em acentos perdidos e palavras reconhecidas de forma aproximada — e muitas pessoas concluem que o mecanismo é ruim. A documentação esclarece que, sem a opção -l, o idioma presumido é o inglês. Portanto, é necessário instalar o arquivo de dados do idioma e especificar esse idioma explicitamente na execução. O projeto afirma reconhecer mais de cem idiomas quando os pacotes corretos estão instalados.

# Debian/Ubuntu : installer les données françaises
sudo apt install tesseract-ocr tesseract-ocr-fra

# macOS (Homebrew) : le moteur puis les langues supplémentaires
brew install tesseract tesseract-lang

# Reconnaître une image en français, sortie texte
tesseract scan.png sortie -l fra

# Plusieurs langues dans le même document
tesseract scan.png sortie -l fra+eng

# Sortie PDF avec couche de texte interrogeable
tesseract scan.png sortie -l fra pdf

#A qualidade da imagem é determinante

Esse é o ponto que você descobre tarde demais: a documentação oficial dedica sua página « Improve quality » ao tratamento da imagem antes dos ajustes do motor. O Tesseract já realiza operações internas (biblioteca Leptonica), mas elas nem sempre são suficientes, e um pré-processamento com algumas linhas de código muitas vezes basta para tornar legível uma digitalização de baixa qualidade. A Koncile, uma empresa que desenvolve software de extração de faturas, ilustra a dimensão desse fenômeno em seus próprios testes, publicados em 2026: em uma fatura inclinada apenas três a cinco graus, a taxa de leitura correta passa de 100% para 31%. Não se trata de um estudo independente, mas a ordem de grandeza corresponde ao alerta da documentação oficial. Nenhum ajuste do motor consegue compensar uma queda assim; apenas uma correção prévia da inclinação pode fazê-lo.

Resolução

A documentação oficial indica que o Tesseract funciona melhor em imagens com pelo menos 300 pontos por polegada e sugere redimensionar caso contrário.

Retificação

A documentação alerta que a qualidade da segmentação em linhas cai significativamente quando a página está muito inclinada: é necessário girar a imagem para que as linhas fiquem horizontais. Ver o número acima.

Contraste e binarização

O Tesseract faz a binarização internamente (algoritmo de Otsu), com resultados às vezes ruins quando o fundo tem tonalidade irregular. A versão 5.0 adicionou dois métodos, Adaptive Otsu e Sauvola, ajustáveis pelos parâmetros thresholding_*. Para um mecanismo na versão 4 ou superior, é necessário texto escuro sobre fundo claro.

Bordas

Bordas muito largas atrapalham o mecanismo de OCR, mas um texto recortado rente demais também: a documentação recomenda adicionar uma pequena borda branca (10 pixels no exemplo apresentado) ao redor de um trecho sem margem.

1. 01
   Corrigir a inclinação da página

   Detectar o ângulo dominante do texto e girar a imagem antes de qualquer outra etapa; um simples script com base na transformada de Hough é suficiente para a maioria dos scanners de escritório.
2. 02
   Ajustar o contraste

   Converter para tons de cinza e depois binarizar (com limiarização adaptativa em vez de um limiar fixo, que falha sob iluminação irregular) para obter preto puro sobre branco puro.
3. 03
   Recortar e iniciar o OCR

   Remover as bordas geradas pelo scanner e as grandes margens em branco, deixar uma fina borda branca ao redor do texto e depois chamar o Tesseract com o idioma e o modo de segmentação adequados ao tipo de documento processado.

#Configurações que alteram o resultado

O modo de segmentação é a configuração mais frequentemente esquecida. A documentação lembra: por padrão, o Tesseract espera uma página de texto, e para ler uma pequena região é preciso escolher outro modo. Em uma imagem com apenas uma linha, o modo 7 a trata como uma linha única. Para texto disperso sem ordem específica — uma captura de tela com rótulos espalhados — o modo correspondente evita o mesmo problema. O modo do mecanismo, por sua vez, raramente altera o resultado, por uma razão prática: o mecanismo legado está presente apenas nos arquivos de idioma do repositório tessdata, não nas variantes rápidas ou precisas fornecidas pela maioria das distribuições.

Em texto impresso limpo e bem enquadrado, o Tesseract continua competitivo: o FastOCR, um serviço de OCR online que vende uma alternativa na nuvem, informa uma precisão de 95 a 97,2% para o Tesseract v5 em texto limpo em inglês, contra 98,2 a 99,1% para o Google Cloud Vision. São números de uma empresa com interesse comercial, sem protocolo publicado: considere-os como uma ordem de grandeza, não como uma medição. A escolha do motor deveria se basear na natureza real dos documentos: se forem limpos e impressos, o Tesseract atende com folga; se forem danificados, manuscritos ou densamente estruturados, ele se torna o elo fraco da cadeia.

#Tesseract ou um modelo de visão

Essa última linha é importante para qualquer verificação documental: o Tesseract erra ao confundir caracteres, enquanto um modelo de visão pode produzir um número perfeitamente formado, mas falso. A diferença não é absoluta, pois um 0 lido como 8 em um valor monetário também pode passar despercebido, mas um texto absurdo denuncia um motor de OCR com mais frequência do que um valor plausível inventado. Um comparativo publicado em 2026 resume o cenário que mudou: as verdadeiras alternativas já não são motores OCR tradicionais, mas modelos de visão-linguagem de código aberto, citando nominalmente o PaddleOCR-VL entre eles — com um custo em contrapartida, pois esses modelos exigem uma GPU, enquanto o Tesseract se contenta com um processador comum.

• Modelos multimodais locais, o que eles sabem ler
• Extraia os dados de uma fatura: a cadeia completa
• Converter documentos estruturados com Docling
• PaddleOCR: o motor que gerencia layouts complexos

• Fonte: repositório oficial Tesseract no GitHub
• Fonte: Koncile, comparativo do Tesseract de 2026 (fornecedor de software de extração de faturas)
• Fonte: página do manual do Tesseract (opções --psm e --oem)
• Fonte: documentação Tesseract, melhorar a qualidade
• Fonte: documentação Tesseract, arquivos de dados

#O verdadeiro custo de um projeto Tesseract

O mecanismo de OCR em si não custa nada, o que muitas vezes esconde onde o tempo de um projeto de OCR é realmente gasto. O verdadeiro trabalho está nas etapas que envolvem esse mecanismo: pré-processamento de imagens (correção de inclinação, binarização, bordas) e verificação do resultado. Um orçamento realista prevê tempo para essas duas etapas desde o início, em vez de descobri-las após um primeiro lote de resultados decepcionantes.

Scanner ou foto tirada com o celular

Um scanner de mesa produz páginas mais retas e mais bem iluminadas do que uma foto tirada com a câmera na mão; dar preferência ao scanner sempre que o volume justificar.

Formato de saída

O texto bruto é suficiente para indexação; o formato hOCR conserva as posições, o que é útil para destacar um trecho na interface original.

Controle de qualidade

Uma amostra revisada manualmente após cada mudança na origem das digitalizações permite detectar um desvio antes que ele afete todo o lote.

Volume e paralelização

Tesseract é multithread por padrão (OpenMP), o que não é adequado para grandes lotes. A FAQ do projeto recomenda iniciar um processo por núcleo com a variável OMP_THREAD_LIMIT=1, o que elimina o custo adicional do multithreading.

Um último ponto frequentemente esquecido: a nomeação dos arquivos gerados. Em vários milhares de páginas, é necessário conseguir identificar qual texto corresponde a qual digitalização; manter o mesmo nome de base entre a imagem e o texto reconhecido resolve o problema desde o início.

#Inseri-lo em uma cadeia de processamento local

Em uma instalação local de processamento de documentos, o Tesseract atua em apenas um ponto: imediatamente antes da indexação, nos documentos sem camada de texto. O teste a ser automatizado é simples — se a extração de texto de um PDF resultar em menos de algumas dezenas de caracteres por página (limiar a ser ajustado conforme seu corpus), trata-se provavelmente de um documento digitalizado, e ele é encaminhado para o OCR. Sem esse teste, documentos inteiros entram silenciosamente vazios no índice, e ninguém percebe até que um usuário estranhe.

Vale a pena automatizar a correção de inclinação e a binarização nesse mesmo pipeline, em vez de decidir caso a caso para cada página: um script que detecta o ângulo dominante e faz a correção antes da chamada ao motor evita boa parte das surpresas desagradáveis descritas acima. Em um lote homogêneo — sempre o mesmo scanner, o mesmo tipo de documento — esse pré-processamento é configurado uma vez e depois funciona sem supervisão.

#FAQ