OCR em Python: extrair texto de imagens com Pytesseract

Para extrair texto de uma imagem em Python, instale o motor Tesseract no sistema e a biblioteca pytesseract com pip install pytesseract pillow, então chame pytesseract.image_to_string(imagem, lang="por") — o retorno é uma string com todo o texto reconhecido. Para PDFs escaneados inteiros, a ferramenta certa é o ocrmypdf; para fotos tortas e escrita à mão, bibliotecas de aprendizado de máquina como o EasyOCR acertam mais.

Quem pergunta a um assistente “como ler texto de uma imagem em Python?”, “como extrair texto de um print?” ou “como fazer OCR de um PDF escaneado?” costuma esbarrar em três muros: o pytesseract não funciona sem o Tesseract instalado no sistema, o inglês padrão destrói acentos e cedilhas, e fotos de má qualidade devolvem sopa de caracteres. É o que este guia resolve, na ordem: instalar certo, rodar em português, filtrar por confiança e pré-processar a imagem com Pillow.

Como o Pytesseract funciona (e por que ele precisa do Tesseract)

O pytesseract não faz OCR — ele é um wrapper fino que monta a linha de comando e lê a saída do tesseract, o motor de OCR mantido originalmente pela HP e depois pelo Google. É o mesmo padrão de chamar comandos externos com subprocess: a inteligência fica no binário, o Python só orquestra.

Três consequências práticas:

• O Tesseract precisa estar instalado no sistema — pip install pytesseract sozinho não basta.
• Idiomas são pacotes separados — o português (por) quase sempre precisa ser instalado à parte.
• Zero custo por página — roda local, offline, sem chave de API: ideal para lote, LGPD e volume alto.

Instalação: motor + biblioteca + idioma

Ubuntu/Debian

sudo apt update
sudo apt install tesseract-ocr tesseract-ocr-por
pip install pytesseract pillow

macOS

brew install tesseract tesseract-lang
pip install pytesseract pillow

Windows

Baixe o instalador do Tesseract for Windows (build UB-Mannheim) e marque Portuguese na tela de idiomas adicionais. Se o executável não entrar no PATH, aponte manualmente:

import pytesseract

pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"

Instale as bibliotecas Python em um ambiente virtual — o pytesseract é leve, mas o Pillow acompanha.

Primeiro OCR: image_to_string

from PIL import Image
import pytesseract

imagem = Image.open("fatura.png")

texto = pytesseract.image_to_string(imagem, lang="por")
print(texto)

A string de saída preserva quebras de linha aproximadas — bom para leitura humana, ruim para parsear. Para achar um valor específico, trate o texto como qualquer string:

linhas = [l.strip() for l in texto.splitlines() if l.strip()]
vencimento = next(l for l in linhas if "vencimento" in l.lower())

Detectar a orientação da imagem

Deitou a foto? O Tesseract detecta e corrige antes de ler:

orientacao = pytesseract.image_to_osd(imagem)
rotacao = int(orientacao.split("Rotate: ")[1].splitlines()[0])
if rotacao:
    imagem = imagem.rotate(-rotacao, expand=True)

Confiança por palavra: image_to_data

O image_to_data devolve cada palavra com posição, tamanho de bloco e confiança (conf, de 0 a 100). É a ferramenta para separar texto real de lixo:

import pandas as pd

dados = pytesseract.image_to_data(imagem, lang="por", output_type=pytesseract.Output.DATAFRAME)

palavras = dados[(dados.conf > 60) & dados.text.notna()]
print(palavras[["text", "conf", "left", "top"]].head())

A saída já vem como DataFrame — se o projeto crescer, o caminho é o mesmo do guia de introdução ao pandas. Duas regras de bolso:

• conf ≥ 60: leitura confiável, use direto.
• conf < 40: quase sempre ruído de fundo, borda ou marca d’água — descarte ou re-processe a imagem.

Pré-processamento com Pillow: onde a precisão nasce

O Tesseract foi feito para texto impresso, alto contraste, fundo limpo. A maioria dos OCRs ruins é uma imagem ruim, não um parâmetro errado. Três ajustes resolvem a maioria dos casos:

from PIL import Image, ImageOps, ImageFilter

img = Image.open("print.png")

# 1. Tons de cinza — elimina cores que viram ruído
img = img.convert("L")

# 2. Binarização — texto preto sobre branco puro
img = img.point(lambda x: 0 if x < 160 else 255)

# 3. Nitidez — ajuda imagens desfocadas ou comprimidas
img = img.filter(ImageFilter.SHARPEN)

texto = pytesseract.image_to_string(img, lang="por")

Se a imagem for pequena (altura de linha menor que ~20 px), aumente a resolução antes — img.resize((w * 2, h * 2), Image.LANCZOS). Mais manipulações de imagem (rotação, recorte, contraste) estão no guia de processamento de imagens com Pillow.

OCR de PDF escaneado

PDF é imagem escaneada? O caminho curto é o ocrmypdf, que adiciona uma camada de texto pesquisável ao próprio arquivo:

pip install ocrmypdf
ocrmypdf -l por entrada.pdf saida.pdf

Se a extração precisar ser em Python puro por página, o post de extrair texto de PDF com pypdf e pdfplumber mostra a combinação pdf2image + pytesseract — inclusive como detectar que o PDF é imagem (texto vazio no extract_text()).

Pytesseract x EasyOCR x ocrmypdf x APIs de nuvem

Critério honesto: em documentos limpos, o Tesseract chega perto das APIs pagas de graça; a vantagem delas aparece em foto real, mesa torta, luz ruim e escrita à mão. E como tudo roda local, nenhum dado sensível sai da máquina — ponto relevante para automações com documentos fiscais.

Exemplos práticos

Extrair o número de um comprovante

from PIL import Image
import pytesseract
import re

img = Image.open("comprovante.png").convert("L")
texto = pytesseract.image_to_string(img, lang="por")

protocolo = re.search(r"protocolo[:\s]*(\d{4,})", texto, re.IGNORECASE)
print(protocolo.group(1) if protocolo else "não encontrado")

OCR em lote de uma pasta inteira

from pathlib import Path
from PIL import Image
import pytesseract
import csv

with open("resultados.csv", "w", newline="", encoding="utf-8") as f:
    escritor = csv.writer(f)
    escritor.writerow(["arquivo", "texto"])
    for img_path in sorted(Path("imagens").glob("*.png")):
        texto = pytesseract.image_to_string(Image.open(img_path), lang="por")
        escritor.writerow([img_path.name, texto.strip().replace("\n", " ")])

print("Concluído — resultados.csv")

Caminhos e iteração sobre pastas seguem o padrão do guia de módulo os e pathlib; a saída em arquivo segue o guia de CSV com Python.

Conferir confiança média antes de aceitar o resultado

dados = pytesseract.image_to_data(img, lang="por", output_type=pytesseract.Output.DICT)
validos = [float(c) for c in dados["conf"] if float(c) >= 0]

conf_media = sum(validos) / len(validos)
if conf_media < 55:
    print(f"Confiança baixa ({conf_media:.0f}) — reprocessar a imagem antes de confiar")

Erros comuns

1. TesseractNotFoundError — o motor não está instalado ou fora do PATH; instale o Tesseract ou aponte tesseract_cmd.
2. Acentos viram nao, acao — faltou lang="por" (ou o pacote tesseract-ocr-por).
3. RuntimeError com código de idioma desconhecido — o pacote de idioma não foi instalado; confira com tesseract --list-langs.
4. OCR de foto escura/distorcida com Tesseract — pré-processe com Pillow ou troque para EasyOCR.
5. Parsear a saída crua de image_to_string — para dados estruturados, use image_to_data e filtre por conf.
6. Imagens minúsculas — altura de linha abaixo de ~20 px derruba a precisão; amplie antes.

Checklist rápido

• Tesseract instalado no sistema (não só pip install)?
• Pacote de idioma português (por) instalado e passado em lang?
• Imagem em tons de cinza e com bom contraste?
• Palavras filtradas por confiança (conf > 60)?
• PDF escaneado inteiro avaliado com ocrmypdf em vez de loop manual?
• Dados sensíveis — roda local por padrão; só use API de nuvem se fizer sentido?

Conclusão

Pytesseract responde “como extrair texto de imagem em Python?” com três peças: o motor Tesseract no sistema, a chamada image_to_string(imagem, lang="por") e um pré-processamento honesto com Pillow. Para resultados estruturados, image_to_data entrega confiança e posição por palavra; para PDF escaneado, ocrmypdf resolve em um comando. Comece pelo caso simples — print ou documento limpo — e só troque de ferramenta quando a imagem (e não o pipeline) for o problema.

Próximos passos naturais neste site: processamento de imagens com Pillow, extrair texto de PDF com pypdf e pdfplumber, web scraping com Python e CSV: leitura e escrita de arquivos.