Três situações que convém distinguir
Pense em três versões da mesma fatura: o PDF exportado pelo fornecedor, uma digitalização em imagem e a digitalização depois de reconhecer o texto. A última pode manter a imagem e acrescentar uma camada pesquisável. A Adobe explica a criação de texto pesquisável com OCR em documentos digitalizados.
Para o processo de leitura, sugerimos tratar estas possibilidades separadamente. O objetivo é aproveitar texto utilizável quando existe e recorrer à leitura da imagem quando é necessário.
Um teste rápido no seu leitor de PDF
- Pesquise uma palavra bem visível, como parte do nome do fornecedor.
- Tente selecionar e copiar o número da fatura.
- Cole o resultado num editor de texto e compare com a página.
- Repita o teste noutra página, caso o documento tenha várias.
Este é um teste prático, não um diagnóstico definitivo. Se a pesquisa falha, registe o resultado para decidir a próxima tentativa de leitura. Se a cópia funciona mas troca números ou mistura palavras, o texto extraído ainda precisa de conferência.
Conseguir copiar não significa ter dados organizados
Imagine que copia uma tabela e obtém primeiro todas as descrições, depois todos os preços. Os caracteres podem estar presentes, mas a associação entre linhas perdeu-se na cópia. Para extrair artigos, quantidade e preço, interessa preservar a relação entre os campos.
Outro exemplo: a seleção apanha o número da encomenda junto do número da fatura. A revisão deve verificar o significado de cada valor, mesmo que ambos tenham sido copiados sem erros de caracteres.
Como lidar com uma versão reconhecida por OCR
Sugerimos conservar a versão recebida e criar uma cópia de trabalho quando se aplica OCR. A imagem original continua a servir para verificar os dados. Uma camada de texto acrescentada depois não deve tornar invisíveis as dúvidas que a captura já tinha.
Se um documento precisa de revisão, mostre o valor proposto junto da zona de onde foi lido. Para a equipa, é mais útil confirmar um campo concreto do que repetir a leitura de todas as páginas.
Qual a melhor versão para enviar?
Quando possível, obtenha o PDF original do fornecedor. Se só dispõe de papel, produza uma digitalização completa e legível. Evite uma cadeia de conversões sem necessidade: guarde a origem e identifique as cópias de processamento.
O QR e o texto também devem ser avaliados separadamente. Um PDF sem texto selecionável pode ter um QR legível; uma camada de texto pode existir mesmo quando o QR não está presente. No 1000faturas, a leitura do QR já antecede o recurso ao OCR.
Teste com os seus documentos
Um piloto permite avaliar os campos obtidos, as exceções e a organização dos custos no seu processo.
Pedir um piloto