OCR de PDFs

Open In Colab

Versão notebook (rodável no Colab): examples/notebooks/ocr.ipynb.

labdados.ocr extrai texto de PDFs nativos ou escaneados. Aceita um PDF único, uma lista de PDFs ou uma pasta inteira (varre subpastas).

Receita 1 — Pasta inteira na nuvem

Caso típico: você baixou 200 acórdãos de um tribunal e quer todos virarem arquivos de texto.

import os
import labdados

labdados.ocr(
    arquivos="acordaos_tjsp/",
    api_key=os.environ["LABDADOS_API_KEY"],
    saida="acordaos_txt/",
    formato="md",                 # txt ou md
    idiomas="por",                # apenas português
)
# acordaos_txt/ocr_<id>.zip

Extraia o .zip no mesmo lugar:

cd acordaos_txt && unzip ocr_*.zip

Receita 2 — PDFs com layout complexo (PaddleOCR na nuvem)

Quando o documento tem várias colunas, formulários ou tabelas, o Tesseract costuma errar. PaddleOCR (GPU) sai melhor:

labdados.ocr(
    arquivos="petipoes/",
    api_key=os.environ["LABDADOS_API_KEY"],
    saida="petipoes_txt/",
    modelo="paddleocr",          # roda em GPU T4 no escritório
    dpi=300,
)

Nota

PaddleOCR tem cold start de ~30s na primeira chamada após ociosidade (o container GPU precisa subir). Não se preocupe se o spinner ficar parado nesse intervalo.

Receita 3 — Local, sem API key

Para 5–10 PDFs, dá pra rodar local sem custo nenhum:

pip install labdados[ocr]
# macOS:
brew install tesseract tesseract-lang
# Ubuntu:
sudo apt-get install tesseract-ocr tesseract-ocr-por

import labdados

labdados.ocr(
    arquivos=["sentenca1.pdf", "sentenca2.pdf"],
    local=True,
    idiomas="por+eng",
    formato="md",
    saida="resultados/",
    deskew=True,                 # endireita scans tortos
)
# resultados/sentenca1.md, resultados/sentenca2.md

Receita 4 — Reuso de cliente

Quando o script encadeia várias chamadas:

import os
import labdados

cli = labdados.Client(api_key=os.environ["LABDADOS_API_KEY"])

cli.ocr(arquivos="docs_pdf/", saida="textos/", formato="md")
cli.estruturacao(
    arquivos="textos/",          # textos extraídos pelo OCR acima
    schema={"type": "object", "properties": {"valor_causa": {"type": "number"}}},
    saida="estruturado/",
)

Quando algum PDF dá pau no OCR remoto

O serviço processa todos os PDFs e zip o resultado, mesmo que alguns falhem. Se houver falhas parciais, o error_message da Request guarda o resumo. Para inspecionar:

import os, httpx, labdados

cli = labdados.Client(api_key=os.environ["LABDADOS_API_KEY"])
ultimas = cli._get("/api/v1/requests?limit=5")
for req in ultimas:
    if req.get("error_message"):
        print(req["id"], "→", req["error_message"])

Parâmetros principais

Veja a referência completa para todos os argumentos.

Parâmetro	Default	Quando mexer
`modelo`	`"pymupdf-tesseract"`	`"paddleocr"` para layouts complexos
`formato`	`"txt"`	`"md"` se quiser preservar listas/títulos
`idiomas`	`"por+eng"`	Para outros idiomas, ver lista do Tesseract
`dpi`	`200`	`300` para scans pequenos / `150` para PDFs grandes
`deskew`	`False`	`True` para scans tortos