ocr

ocr

OCR de PDFs — extrai texto de PDFs nativos ou escaneados.

Modo nuvem (default)

Faz upload dos PDFs, dispara o OCR no escritório (PyMuPDF+Tesseract ou PaddleOCR), espera concluir e baixa o resultado (.zip) na pasta saida.

Modo local (`local=True`)

Roda PyMuPDF + pytesseract direto na máquina via labdados_core.ocr — mesmo pipeline que o serviço no escritório usa, sem chance de divergir em deskew, fallback BW ou descoberta do binário do Tesseract.

Precisa do extra pip install labdados[ocr] e do binário do Tesseract instalado no OS.

Functions

Name	Description
ocr	Extrai texto de PDFs.

ocr

ocr.ocr(
    arquivos,
    *,
    saida=None,
    api_key=None,
    modelo='pymupdf-tesseract',
    formato='txt',
    idiomas='por+eng',
    dpi=200,
    deskew=False,
    local=False,
    text=False,
    client=None,
    progress=True,
)

Extrai texto de PDFs.

Parameters

Name	Type	Description	Default
arquivos	PathLike \| list[PathLike]	Pode ser um arquivo único, uma lista de arquivos ou uma pasta. No caso da pasta, varre recursivamente todos os `.pdf`.	required
saida	PathLike \| None	Diretório onde o resultado é salvo. Default: `./resultados_labdados/`. No modo nuvem, baixa o `.zip` retornado pelo serviço; no modo local, escreve um arquivo de texto por PDF processado.	`None`
api_key	str \| None	Chave de API (apenas para modo nuvem). Peça uma no portal, em `/consultoria/api-key`.	`None`
modelo	str	`"pymupdf-tesseract"` (default — leve, CPU) ou `"paddleocr"` (mais preciso em layouts complexos, GPU). PaddleOCR só está disponível no modo nuvem.	`'pymupdf-tesseract'`
formato	OUTPUT_FORMAT	Formato do texto extraído: `"txt"` (default) ou `"md"`.	`'txt'`
idiomas	str	Códigos ISO 639-2 separados por `+` (padrão Tesseract). Ex.: `"por+eng"`, `"por+spa"`, `"chi_sim+eng"`.	`'por+eng'`
dpi	int	Resolução de renderização das páginas. 150/200/300.	`200`
deskew	bool	Endireita páginas tortas antes do OCR. Útil em scans tortos.	`False`
local	bool	Se `True`, processa no próprio computador (exige `pip install labdados[ocr]` e Tesseract instalado no OS).	`False`
text	bool	Se `True`, devolve o texto reconhecido como `str` em vez do caminho da pasta. Os arquivos continuam sendo gravados em `saida`. Com vários PDFs, os textos vêm concatenados na ordem de entrada, separados por linha em branco.	`False`
client	Client \| None	Reaproveita um :class:`labdados.Client` existente. Quando passado, o `api_key` daqui é ignorado.	`None`
progress	bool	Mostra spinner no stderr enquanto processa.	`True`

Returns

Name	Type	Description
	Path \| str	Caminho do diretório de saída, ou o texto reconhecido quando `text=True`.

Examples

Modo nuvem, pasta inteira:

>>> import labdados
>>> labdados.ocr(arquivos="meus_pdfs/", api_key="sk_lab_...", saida="resultados/")

Modo local:

>>> labdados.ocr(arquivos=["a.pdf", "b.pdf"], local=True)

ocr