OCR no Ubuntu

Presumo que você saiba o que é OCR (Optical Character Recognition, ou em nosso idioma, Reconhecimento Óptico de Caracteres). Num resumo simples, você precisa dele quando quer copiar e colar a partir de um texto salvo como uma imagem.

Caso você não tenha uma imagem pronta, ou seja, se ainda vai escanear o documento, a opção é usar o gscan2pdf, um programa que escaneia e faz o OCR concomitantemente. Ele, o gscan2pdf, é gráfico e intuitivo, razão pela qual vou deixar você mesmo lidar com ele.

A dica, aqui, é pertinente para quem já tem o PDF, ou seja, já tem a imagem pronta, pois não conheço programa capaz de escanear um PDF diretamente. Mas há solução, como sempre envolvendo um pouco de linha de comando.

Primeiro vamos instalar tudo que precisamos:

$ sudo apt-get install tesseract-ocr tesseract-ocr-por gscan2pdf imagemagick nautilus-open-terminal

Reiniciamos o sistema, para evitar problemas com os novos programas/configurações.

Agora, navegamos até a pasta onde está nosso PDF pelo Nautilus (Gerenciador de Arquivos) e clicamos com o direito do mouse num espaço vazio da janela da direita, escolhendo “Abrir num terminal”. No terminal aberto, já na pasta onde o PDF está, primeiro o convertemos para uma imagem aceita pelo Tesseract, nosso programa de OCR. O comando para isso é:

$ convert -density 300 arquivo.pdf -depth 8 arquivo.tiff

Troque arquivo.pdf pelo nome do “seu” PDF, sendo arquivo.tiff o arquivo de saída, convertido e contendo tantas páginas quanto o PDF que lhe deu origem (você pode confirmar isso abrindo-o com o Evince, o leitor de PDF padrão do Ubuntu).

Note que a conversão deve levar tempo proporcional ao número de páginas do PDF original e o arquivo resultante deve ocupar bastante espaço, pois será de alta resolução para facilitar o OCR, que devemos rodar em seguida com o comando:

$ tesseract arquivo.tiff texto -l por

No comando acima, o arquivo TIFF resultante da conversão do PDF será lido e o resultado em texto integrará o arquivo texto, que terá a extensão TXT por padrão. Finalmente, a opção “-l por” indica que o texto a ser lido está em português.

Complicado? Nem tanto.

E para mim, ser capaz de fazer isso é uma tremenda mão-na-roda, sobretudo quando preciso fazer várias citações de um determinado texto, ou mesmo copiar descrições monótonas de certidões oficiais.

Anúncios

6 comentários em “OCR no Ubuntu

  1. e se o arvivo que quero esiver em ingles e não em portugues?

    1. O pacote de idioma inglês é instalado por padrão, se não me engano. Mas VC deve verificar.

  2. Nesse comando ”$ convert -density 300 arquivo.pdf -depth 8 arquivo.tiff” esses valores 300 e 8 são constantes?

    1. São ajustes de resolução do tiff para possibilitar a leitura pelo OCR. São recomendação mínima.

  3. Ao rodar:
    $ convert -density 300 arquivo.pdf -depth 8 arquivo.tiff

    Obtive este erro:
    **** Warning: File has an invalid xref entry: 3999. Rebuilding xref table.

    Sabe do que se trata?

    Obrigado

    1. Trata-se, acredito eu, de um erro no arquivo que vc mandou converter. Tente com outro e veja se o erro se repete.

Deixe um comentário

Preencha os seus dados abaixo ou clique em um ícone para log in:

Logotipo do WordPress.com

Você está comentando utilizando sua conta WordPress.com. Sair /  Alterar )

Foto do Google+

Você está comentando utilizando sua conta Google+. Sair /  Alterar )

Imagem do Twitter

Você está comentando utilizando sua conta Twitter. Sair /  Alterar )

Foto do Facebook

Você está comentando utilizando sua conta Facebook. Sair /  Alterar )

w

Conectando a %s

CURIOSIDADES NA INTERNET .COM

Do not waste time, we look for you the news ...

TI e Tendências Web

games mobile redes sociais segurança tendências

Dully Pepper24H

Arte pelo Amor, Arte pelo Mundo, Arte pela Paz!

Blog desativado! Blog novo: OBLOGDOGIO.COM

"Dados olhos suficientes, todos os erros são triviais"

O mundo da poesia

A fine WordPress.com site

Informe Aberto

Uma explicação sobre Linux, open source, etc...

%d blogueiros gostam disto:
search previous next tag category expand menu location phone mail time cart zoom edit close