Extrair texto de imagem

OCR em fotos, capturas ou digitalizações. Grátis, sem upload. 1 GB máx. · Até 1 GB · Processado localmente, nunca enviado para um servidor.

Uma fotografia de uma página tirada numa reunião, uma captura de uma mensagem de erro, um talão digitalizado, um diapositivo fotografado do fundo da sala: texto perfeitamente visível e impossível de selecionar. Esta página volta a lê-lo e devolve-lhe um ficheiro de texto pronto a transferir, com o nome da sua imagem seguido de -texte.txt.

O reconhecimento é confiado ao Tesseract, na sua versão JavaScript 5.0.5 servida por este mesmo site, tal como o núcleo de cálculo compilado em WebAssembly; só o modelo da língua continua a ser transferido de um CDN público, o jsDelivr. O modo escolhido é o modo neuronal apenas: o motor histórico por comparação de formas, menos preciso com os tipos de letra modernos, nunca é chamado. A sua imagem é lida pelo navegador e entregue a um processo de trabalho isolado, que é encerrado assim que o texto é obtido, mesmo quando a operação termina em erro. De todas as ferramentas arrumadas nesta rubrica, é a única que faz realmente correr um modelo treinado — e fá-lo correr no seu próprio equipamento.

A diferença em relação ao reconhecimento aplicado aos PDF muda os conselhos a seguir. Aqui não existe nenhuma etapa intermédia de desenho: a imagem segue para análise na sua definição de origem, sem endireitamento, sem passagem a preto e branco, sem recorte e sem correção de contraste. Uma fotografia de 12 megapíxeis é examinada em toda a sua superfície. É portanto a forma como fotografou, e apenas ela, que determina o resultado.

Como utilizar

  1. Largue uma imagem Um ficheiro de cada vez, pela zona Largue o seu ficheiro aqui ou pelo botão Escolher um ficheiro. Serve qualquer formato que o navegador saiba mostrar — JPEG, PNG, WebP, GIF, BMP; um HEIC de iPhone costuma exigir uma passagem prévia pela conversão para JPG.
  2. Indique a língua do texto Seis opções de língua: francês, inglês, francês + inglês, alemão, espanhol e italiano. Não existe modelo português na lista. A escolha determina o modelo transferido e os caracteres esperados, acentos incluídos.
  3. Carregue em Executar A barra passa primeiro pelo descarregamento do motor de OCR e depois pelo reconhecimento propriamente dito. O primeiro arranque exige ligação e pode levar um bom minuto antes de aparecer o que quer que seja.
  4. Verifique o número de palavras reconhecidas A linha de resultado anuncia uma contagem ao lado do nome do ficheiro produzido. Um total muito abaixo do que se lê na imagem denuncia uma fotografia torta ou desfocada, ou uma língua mal escolhida.
  5. Transfira o ficheiro de texto O .txt está codificado em UTF-8 e só contém caracteres: nem tipo de letra, nem cor, nem posição. Recomeçar encadeia diretamente noutra imagem, sem recarregar a página.

Os quatro fatores que decidem o resultado

A nitidez vem em primeiro lugar. Uma fotografia tirada à mão a trinta centímetros de uma folha sai quase sempre ligeiramente desfocada, e a desfocagem dissolve as hastes das letras: o rn passa a ler-se m, o cl passa a ler-se d, e nada a jusante repara isso. O teste mais fiável é mostrar a imagem a 100 %: se tiver de semicerrar os olhos para ler uma linha, o motor vai falhar nessa mesma linha.

A geometria vem a seguir, e é o defeito mais frequente das fotografias. O motor pressupõe linhas de texto horizontais; uma página apanhada de esguelha produz linhas fugidias que nada aqui endireita. Fotografe a direito sobre a folha, e não a partir da cadeira onde está sentado. O contraste conta tanto como a geometria: texto cinzento claro sobre papel creme, fotografia de um ecrã com os seus reflexos ou página atravessada pela sombra do próprio telemóvel dão resultados medíocres.

O fundo, por fim, produz ruído que o motor toma por traços de letra: um carimbo colorido, uma trama de segurança, um marcador fluorescente, o padrão de uma toalha de mesa. Recortar previamente apenas o bloco de texto elimina boa parte desses parasitas e encurta a análise ao mesmo tempo.

O que atravessa a rede no primeiro arranque

O percurso é o inverso daquele que se imagina: é o leitor que vai ter com a imagem, e não a imagem que vai ter com o leitor. Três recursos são obtidos da primeira vez que usa a página:

O navegador coloca os três em cache, e é por isso que as extrações seguintes dispensam ligação. A sua imagem não participa nestas trocas: é lida localmente e entregue ao processo de reconhecimento que corre dentro do seu separador. Mudar de língua desencadeia, esse sim, o descarregamento de um novo modelo, ficando os anteriores em cache. Se o motor não carregar em dois minutos, o tratamento é abandonado com uma mensagem a convidar à verificação da ligação.

A forma do texto devolvido

O ficheiro segue as linhas da imagem, e não os parágrafos de quem escreveu. Um texto justificado digitalizado volta com uma mudança de linha em cada linha impressa, que terá de recolar à mão ou com um localizar e substituir. As palavras cortadas por hífen no fim da linha continuam cortadas.

As disposições em colunas e as tabelas são o ponto fraco. As células saem umas atrás das outras e o alinhamento desaparece: uma captura de uma folha de cálculo passa a ser uma lista de valores cuja estrutura tem de ser reconstituída, e uma captura de código perde a indentação. Quando o motor não encontra uma única palavra, nenhum ficheiro vazio é produzido: uma mensagem assinala a falha e aponta a nitidez e a língua como as duas coisas a rever.

Falta o ponto que mais toca a quem trabalha em português: nenhum dos seis modelos disponíveis foi treinado para esta língua. Os acentos agudos saem razoavelmente bem com o modelo espanhol e os circunflexos e a cedilha com o modelo francês, mas as vogais nasais ã e õ não pertencem ao repertório habitual de nenhum deles e são o primeiro sítio onde convém passar os olhos. Um localizar e substituir sobre as terminações em ção e ões arruma normalmente a maior parte das correções.

Os casos em que esta página não é a certa

Se o seu documento for um PDF, a página de reconhecimento que lhe é dedicada trata várias páginas de uma só vez e separa os resultados página a página, o que lhe poupa o trabalho de exportar imagens primeiro. Se o texto já for selecionável no ecrã, copie-o: o reconhecimento ótico só pode degradar caracteres que já estão exatos.

A escrita manual está fora de alcance. Nenhum dos seis modelos propostos foi treinado para ela, pelo que uma nota manuscrita, uma receita médica ou uma anotação à margem voltam em sequências de caracteres sem relação com o original. Por fim, a ferramenta aceita uma imagem de cada vez: uma série de trinta fotografias trata-se em trinta passagens, mantendo o separador aberto do princípio ao fim.

Perguntas frequentes

Chega uma fotografia tirada com o telemóvel?

Muitas vezes chega, desde que a folha esteja plana, a objetiva paralela à página e a iluminação regular. A falha raramente vem da definição do sensor; vem quase sempre da inclinação da fotografia ou da sombra que o próprio aparelho projeta sobre o papel.

Porque é que não foi reconhecido nenhum texto se eu leio a página sem esforço?

O motor terminou sem isolar uma única palavra e recusa-se a entregar um ficheiro vazio. As causas habituais são uma imagem rodada um quarto de volta, uma fotografia de um ecrã, um documento muito pálido ou uma língua que não corresponde ao texto.

O meu documento está em português: que opção devo escolher?

Não há modelo português, por isso escolha o espanhol se o texto tiver sobretudo acentos agudos e o francês se tiver muitos circunflexos e cedilhas. A opção francês + inglês carrega dois modelos e serve para documentos bilingues; é mais lenta e hesita um pouco mais num texto de língua única.

A minha imagem é enviada para algum lado para ser analisada?

Não. O que atravessa a rede na primeira utilização é o programa de leitura e o ficheiro de dados treinados da língua escolhida; a imagem fica no separador. É precisamente por isso que a primeira extração exige ligação e as seguintes não.

Posso recuperar a paginação original?

Não, a saída é texto simples. Só a ordem das linhas é conservada. Negritos, itálicos, corpos de letra, colunas e imagens não têm equivalente dentro de um ficheiro .txt e desaparecem.

Quanto tempo demora uma extração?

Alguns segundos para uma captura de ecrã, quando o motor já está em cache, e bastante mais para uma fotografia de vários megapíxeis cuja superfície é examinada por inteiro. Recortar a zona útil reduz a espera de forma bem visível.

Ferramentas semelhantes

Descobrir outras ferramentas

Categorias