OCR: Extração de Texto
Nesta página
Leitura de Texto em Imagens
O OCR (Reconhecimento Ótico de Carateres) é um dos casos de uso mais poderosos do Grok Vision. Ao contrário das ferramentas tradicionais que apenas extraem carateres, o Grok compreende o contexto do texto na imagem, o seu layout e o seu significado.
OCR Clássico vs. OCR Multimodal
As ferramentas de OCR tradicionais (Tesseract, Google Vision OCR, AWS Textract) destacam-se na extração bruta de carateres. O Grok adiciona uma dimensão extra: compreende o significado do texto dentro do contexto da imagem.
Por exemplo, ao processar uma fatura digitalizada, uma ferramenta de OCR clássica extrai todos os carateres. O Grok consegue também:
- Identificar campos (número da fatura, data, valor total)
- Estruturar os dados num formato utilizável
- Corrigir erros de OCR utilizando o contexto
- Interpretar tabelas e layouts complexos
Extração Básica
Para uma extração simples do texto visível:
response = client.responses.create(
model="grok-4.5",
input=[
{
"type": "input_image",
"image_url": url_document,
"detail": "high" # Essential for OCR
},
{
"type": "input_text",
"text": "Extract all visible text in this image. Preserve the layout as much as possible."
}
],
store=False
)
O parâmetro detail: "high" é essencial para o OCR. No modo low, o modelo pode omitir texto fino ou ler incorretamente certos carateres.
Extração Estruturada de Documentos
Para documentos profissionais, solicite uma extração estruturada:
def extraire_facture(image_url):
prompt = """This image is an invoice. Extract the following
information in JSON:
- "invoice_number": the invoice number
- "date": the issue date
- "issuer": name and address of the issuer
- "recipient": name and address of the recipient
- "lines": table with columns [description, quantity, unit_price, total]
- "subtotal": amount excluding tax
- "vat": VAT amount
- "total_incl_tax": amount including tax
If a field is not visible, indicate null."""
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": image_url, "detail": "high"},
{"type": "input_text", "text": prompt}
],
store=False
)
return response.output_text
Extração de Cartões de Visita
def extraire_carte_visite(image_url):
prompt = """Extract the information from this business card in JSON:
- "name": full name
- "title": job title/position
- "company": company name
- "email": email address
- "phone": phone number(s)
- "address": postal address
- "website": website URL
- "social_media": links to social media profiles"""
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": image_url, "detail": "high"},
{"type": "input_text", "text": prompt}
],
store=False
)
return response.output_text
Processamento de Capturas de Ecrã
As capturas de ecrã são um caso de uso excelente, pois frequentemente contêm texto em layouts complexos (menus, barras laterais, pop-ups):
def analyser_screenshot(image_url):
prompt = """Analyze this screenshot and identify:
1. The application or website displayed
2. The visible page or section
3. The main interface elements (buttons, menus, forms)
4. Any important text displayed
5. Any error messages or notifications"""
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": image_url, "detail": "high"},
{"type": "input_text", "text": prompt}
],
store=False
)
return response.output_text
Processamento de Lotes de Documentos
Para processar um grande volume de documentos, combine o OCR do Grok com um pipeline de processamento:
import json
async def pipeline_ocr(documents):
resultats = []
for doc in documents:
# 1. Validate the image
if not valider_image(doc["chemin"]):
resultats.append({"fichier": doc["chemin"], "erreur": "Invalid image"})
continue
# 2. Encode to base64
image_url = encoder_base64(doc["chemin"])
# 3. Extract with Grok
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": image_url, "detail": "high"},
{"type": "input_text", "text": doc["prompt"]}
],
store=False
)
# 4. Parse the result
try:
data = json.loads(response.output_text)
resultats.append({"fichier": doc["chemin"], "data": data})
except json.JSONDecodeError:
resultats.append({"fichier": doc["chemin"], "texte_brut": response.output_text})
return resultats
Limitações do OCR do Grok
- Texto manuscrito: o reconhecimento funciona bem para escrita legível, mas pode falhar em escrita cursiva ou ilegível
- Línguas não latinas: a precisão varia consoante a língua e o tipo de letra utilizados
- Imagens de baixa qualidade: digitalizações de baixa resolução ou fotos desfocadas degradam os resultados
- Texto muito pequeno: mesmo no modo
high, texto com altura inferior a 8 pixels pode ser lido incorretamente
Pontos-chave
- Utilize sempre
detail: "high"para tarefas de OCR - Solicite uma extração estruturada (JSON) para utilizar os dados automaticamente
- O Grok vai além do OCR bruto: compreende o contexto e o layout
- Utilize
store: falsepara documentos sensíveis (faturas, cartões de visita) - Valide e pré-processe as imagens para maximizar a qualidade da extração