Tesseract

O que é

Tesseract é um motor de reconhecimento óptico de caracteres (OCR) gratuito e de código aberto, que funciona tanto como programa de linha de comando quanto como biblioteca (libtesseract) para ser usado dentro de outros programas. Foi desenvolvido originalmente pela HP em 1985, disponibilizado como código aberto em 2005 e recebeu grandes melhorias sob a Google entre 2006 e 2017. Hoje é mantido pela comunidade, com suporte a mais de 100 idiomas.

Para que serve

• Extrair texto de imagens de documentos digitalizados (páginas escaneadas, fotos de documentos, PDFs de imagem)
• Reconhecer texto impresso em mais de 100 idiomas, incluindo português
• Servir de base para outras ferramentas de OCR, como o OCRmyPDF (que usa o Tesseract para adicionar uma camada de texto pesquisável a PDFs escaneados)
• Ser incorporado como biblioteca dentro de programas escritos em Python, C++ e outras linguagens, via wrappers como o pytesseract

Exemplo de uso

Um grupo de pesquisa digitalizou centenas de páginas de jornais impressos do início do século XX e quer torná-las pesquisáveis por palavra-chave. Um membro da equipe com alguma familiaridade técnica instala o Tesseract e, usando um script simples em Python com o pytesseract, processa o lote de imagens em sequência, gerando um arquivo de texto para cada página — texto que depois é usado para indexar o acervo digital.

Quando pode não ser a melhor opção

• Se você não tem nenhuma familiaridade com linha de comando ou programação: o Tesseract não tem interface gráfica própria; existem programas de terceiros que usam o Tesseract por trás de uma interface mais simples, mas o motor em si exige algum conforto técnico
• Se o material for manuscrito: o Tesseract foi desenhado para texto impresso — para manuscritos (HTR), ferramentas como o Transkribus ou o eScriptorium são mais adequadas
• Se o documento tiver layout complexo (colunas, tabelas, texto sobreposto a imagens) sem pré-processamento: a qualidade do reconhecimento pode cair bastante
• Se você precisa de uma solução pronta, sem instalação, para poucos documentos: serviços web ou aplicativos com interface gráfica podem ser mais práticos

Tipo de acesso

Totalmente gratuito e de código aberto (licença Apache 2.0).

Sistemas em que roda

Windows, macOS e Linux — via pacotes pré-compilados ou compilação a partir do código-fonte.

Integrações

• Python, por meio do wrapper pytesseract, entre outras linguagens com wrappers disponíveis (C/C++ nativamente)
• OCRmyPDF (ferramenta que usa o Tesseract para gerar PDFs pesquisáveis a partir de digitalizações)
• Leptonica (biblioteca de processamento de imagens usada internamente pelo Tesseract)

Alternativas

• Gamera (arcabouço mais flexível e mais difícil de usar, voltado a documentos com características visuais muito específicas)
• ABBYY FineReader (proprietário, pago, referência em OCR de textos impressos)
• Google Document AI (serviço pago por uso, alta capacidade, requer configuração técnica)

Aprenda a usar

Onde encontrar

• Site oficial / repositório: https://github.com/tesseract-ocr/tesseract
• Documentação: https://tesseract-ocr.github.io/tessdoc/

Material de apoio

O Tesseract é maduro e tem ciclo de desenvolvimento lento, então material antigo continua válido. A documentação oficial cobre o comando básico e as opções de idioma e de segmentação de página. A lição do Programming Historian é revisada por pares e aplica o programa a um documento de arquivo real, antes de comparar a abordagem com a do Google Vision.

• "Command Line Usage", documentação oficial: https://tesseract-ocr.github.io/tessdoc/Command-Line-Usage.html
• GRIBOMONT, Isabelle. "OCR with Google Vision API and Tesseract", Programming Historian, 2023: https://programminghistorian.org/en/lessons/ocr-with-google-vision-and-tesseract

Uso em pesquisa e ensino

Bibliotecárias da Western University compararam o desempenho de vários programas de OCR sobre documentos históricos digitalizados, entre eles o jornal The Voice of the Bondsman e relatórios institucionais da própria universidade. O Tesseract saiu bem no reconhecimento de tabelas, um ponto em que os concorrentes falharam. O artigo serve como referência de decisão para quem precisa escolher um programa de OCR para um acervo específico.

• OLSON, Leanne; BERRY, Veronica. Digitization decisions: comparing OCR software for librarian and archivist use. The Code4Lib Journal, n. 52, 2021: https://journal.code4lib.org/articles/16132

Observações

O Tesseract é considerado um dos motores de OCR de código aberto mais usados no mundo, e serve de base técnica para diversas outras ferramentas mencionadas neste glossário (Arkindex e OCRmyPDF, por exemplo, dependem dele ou de motores comparáveis). É voltado principalmente a texto impresso — para manuscritos históricos, a família de ferramentas de HTR (Transkribus, eScriptorium, Gamera) é mais indicada.