OCR em Python: Como Extrair Texto de Imagens em Apenas 5 Linhas

Como ler o texto de uma imagem (OCR em 5 linhas)

Extrair texto de imagens (OCR - Optical Character Recognition) permite automatizar a leitura de documentos, recibos e digitalizações sem digitação manual. Com a biblioteca pytesseract integrada ao Pillow (PIL), você consegue carregar a imagem e converter o conteúdo visual em string executando apenas 5 linhas de código central.

Python

import pytesseract
from PIL import Image

# 1. Abre a imagem a partir do caminho indicado
imagem = Image.open("documento.jpg")

# 2. Executa o OCR extraindo o texto da imagem em português
texto_extraido = pytesseract.image_to_string(imagem, lang="por")

# Exemplo prático de uso / saída
print("--- Texto Encontrado ---")
print(texto_extraido)

Pontos-chave

• Instalação da Engine do Tesseract: A biblioteca pytesseract é apenas um wrapper Python. Você precisa ter o binário do Tesseract OCR instalado no sistema operacional (no Windows, pode ser necessário definir o caminho com pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe').
  
  
• Suporte a Idiomas (lang): O parâmetro lang='por' define a linguagem para português. Para que funcione corretamente, o pacote de idioma correspondente (por.traineddata) deve estar instalado na pasta do Tesseract.
  
  
• Pré-processamento com OpenCV/Pillow: Para imagens com ruído, baixo contraste ou iluminação ruim, aplicar filtros prévios como escala de cinza, limiarização (thresholding) ou redimensionamento melhora drasticamente a precisão da leitura.
  
  
• Formatos de Entrada: O Pillow aceita diversos formatos nativos de imagem como JPG, PNG, BMP e TIFF antes de enviá-los para o processamento de texto.