O que pdf-ocr-skill faz?
Habilidade de OCR para PDF com suporte a quatro mecanismos, capaz de extrair texto em chinês e inglês de arquivos PDF digitalizados e arquivos de imagem.
Visão Geral
Esta skill utiliza múltiplos mecanismos de OCR para garantir a melhor precisão possível na extração de texto de documentos escaneados e imagens. Ela suporta:
- PDF digitalizado: Processa arquivos PDF que são compostos por imagens (não texto selecionável).
- Arquivos de imagem: Extrai texto de formatos comuns como PNG, JPG, TIFF, etc.
- Idiomas suportados: Chinês (simplificado e tradicional) e Inglês.
Mecanismos de OCR Suportados
A habilidade integra quatro mecanismos de OCR diferentes, permitindo ao usuário escolher o mais adequado para cada tarefa:
| Mecanismo | Descrição | Plataformas Suportadas |
|---|---|---|
| Tesseract | Mecanismo de OCR open-source amplamente utilizado, com bom suporte para múltiplos idiomas. | Claude Code, Cursor, Codex |
| EasyOCR | Mecanismo baseado em deep learning, com alta precisão para textos em chinês e inglês. | Claude Code, Cursor |
| PaddleOCR | Mecanismo desenvolvido pela Baidu, otimizado para caracteres chineses. | Claude Code, Cursor |
| Surya OCR | Mecanismo moderno com foco em precisão em layouts complexos. | Claude Code, Cursor |
Como Usar
Pré-requisitos
Antes de usar a habilidade, certifique-se de ter instalado as dependências necessárias:
# Para Tesseract (no Ubuntu/Debian)
sudo apt-get install tesseract-ocr tesseract-ocr-chi-sim tesseract-ocr-eng
# Para EasyOCR
pip install easyocr
# Para PaddleOCR
pip install paddleocr
# Para Surya
pip install surya-ocr
Comando Básico
Para processar um PDF ou imagem, execute o seguinte comando:
python ocr_skill.py --input caminho/para/arquivo.pdf --engine tesseract --lang chi_sim+eng
Parâmetros
--input: Caminho para o arquivo PDF ou imagem.--engine: Mecanismo de OCR a ser usado (tesseract, easyocr, paddleocr, surya).--lang: Idiomas para reconhecimento (padrão:chi_sim+eng).--output: (Opcional) Caminho para salvar o texto extraído.
Exemplo de Saída
O texto extraído do arquivo 'documento.pdf' é:
Este é um exemplo de texto extraído de um PDF digitalizado.
包含中文和英文的混合内容。
Integração com Agentes de IA
Esta skill pode ser usada em conjunto com agentes de IA como Claude Code, Cursor ou Codex para automatizar fluxos de trabalho de processamento de documentos. Por exemplo:
- Envie um PDF digitalizado como entrada para o agente.
- O agente ativa a skill para extrair o texto.
- O texto extraído é então usado para análise, tradução ou inserção em bases de dados.
Notas Adicionais
- A precisão do OCR pode variar dependendo da qualidade da imagem e do mecanismo escolhido.
- Para melhores resultados com textos em chinês, recomenda-se o uso do PaddleOCR.
- O mecanismo Surya é ideal para documentos com layouts complexos ou fontes incomuns.
Licença
Este projeto está licenciado sob os termos da licença MIT.