Digitalização

Esta seção inclui informações gerais e técnicas sobre o componente Digitalização.

O que é Digitalização

A Digitalização é o processo de obtenção de texto legível por máquina de um determinado arquivo de entrada para que um robô possa entender seu conteúdo e agir sobre ele. É a primeira etapa aplicada em arquivos que precisam ser processados por meio do framework Document Understanding.

A etapa de digitalização tem duas saídas:

• o texto do arquivo processado, armazenado em uma variável string, e
• o Modelo de Objeto de Documento desse arquivo - objeto JSON contendo informações básicas como nome, tipo de conteúdo, tamanho do texto, número de páginas, bem como informações detalhadas como rotação de página, idioma detectado, conteúdo e coordenadas para cada palavra identificada no Arquivo.

No framework Document Processing, a digitalização é realizada usando a atividade Digitize Document.

Quando o mecanismo OCR é utilizado na Digitalização

A atividade Digitize Document requer, como parte de sua configuração, a seleção de um mecanismo de OCR - para que, quando necessário, possa ser utilizado, mas que execute OCR apenas em

• arquivos que são imagens

  • formatos de imagens suportados são .png, .gif, .jpe, .jpg, .jpeg, .tiff, .tif, .bmp
  • para arquivos TIFF de várias páginas, o OCR é aplicado para cada página

• Páginas PDF que

  • não possuam nenhum conteúdo legível por máquina
  • contenham imagens que cubram uma área significativa da página.

O OCR também é sempre aplicado se a atividade Digitize Document estiver configurada com a flag ForceApplyOCR definida como True. Essa opção geralmente é recomendada para casos de uso em que uma porcentagem significativa de arquivos parece conter conteúdo nativo, mas o conteúdo lido nativamente não corresponde ao que um usuário pode visualizar nesses arquivos.

Como escolher o mecanismo OCR

Como cada caso de uso tem suas particularidades, é altamente recomendável testar todos os mecanismos de OCR disponíveis com diferentes configurações para determinar qual deles funciona melhor para o seu projeto. Outra recomendação é prestar atenção especial aos argumentos do mecanismo de OCR, como Perfil, Escala, Idioma etc. (podem variar de um mecanismo para outro), para que você identifique as melhores configurações para cada caso de uso.

O que a Digitalização não é

Apesar de relacionada, a etapa de digitalização não é OCR.

Em muitos casos, os arquivos que precisam ser processados são arquivos PDF nativos (não digitalizados), que podem ser lidos programaticamente pelo robô sem aplicar OCR.