Leitura Teresina

O que é e como funciona na prática

A leitura teresina é basicamente um processo de digitalização e reconhecimento óptico aplicado a documentos físicos provenientes de tribunais e cartórios no Piauí, especialmente aqueles que ainda chegam em papel e precisam ser convertidos para texto editável. Não é magia. É OCR com calibração específica para a qualidade de impressão e o tipo de papel que esses órgãos usam aqui. O que a maioria das pessoas não entende na primeira vez é que o método funciona bem quando o documento tem margens bem definidas e fonte padrão (Arial ou Times New Roman). Quando começa a ter carimbos sobrepostos, assinaturas ou tinta ruim, o reconhecimento cai pra algo perto de 60% de acurácia sem pós-processamento manual.

Fui configurar isso pra um escritório de advocacia em Teresina no início de 2023 e me deparei com um problema específico: documentos do Tribunal de Justiça do Piauí que tinham sido impressos em papel ofício de baixo gramatura, tipo 75g, e passam por várias fotocópias antes de chegar no arquivo. O resultado do OCR direto era um texto completamente ilegível nas primeiras duas páginas de cada proceso. A solução que encontrei foi escanear em 600 DPI no modo preto e branco, aplicar um filtro de remoção de ruído com o ImageMagick antes de passar pelo reconhecedor, e depois rodar uma correção ortográfica baseada em um dicionário jurídico personalizado com os termos mais recorrentes da região. Isso elevou a taxa de acerto pra cerca de 94% nas páginas críticas.

Configuração básica de leitura teresina

Você precisa de um scanner razoável, nem precisa ser profissional, mas o modelo tem que conseguir pelo menos 300 DPI com nitidez. Programas gratuitos como o Tesseract Open Source OCR Engine funcionam, mas exigem configuração. A versão 4 com o modelo português-br se sai bem, mas o resultado é muito melhor se você ajustar os parâmetros de layout analysis antes do reconhecimento. Aqui vai o fluxo que eu uso e recomendo:

Escaneie os documentos em PDF multipágina. Não use JPEG compressido. Configurações recomendadas: 300 DPI mínimo, 600 DPI se o documento tiver carimbos ou mancha. Modo cores: preto e branco para documentos puramente textuais, colorido apenas se houver assinatura ou carimbo que precise ser preservado visualmente. Aplique pré-processamento. Rotação automática, remoção de ruído, ajuste de contraste. O Tesseract aceita imagens limpas muito melhor do que sujas. Eu costumo usar o comando unpaper junto com o Tesseract em pipeline, e isso reduz drasticamente os erros de segmentação de linha.

Rodando o reconhecimento. Se estiver no Linux, o comando base seria algo como tesseract imagem.tif saída -l porf com configurações de PSM ajustadas. PSM 1 para colunas, PSM 3 para texto livre, PSM 4 para blocos variados. Escolher errado aqui é o erro mais comum que eu vejo, e custa metade do tempo de processamento.

Arquivos e onde conseguir

Não existe um software proprietário único chamado "leitura teresina". O termo é usado de forma coloquial entre profissionais da área jurídica e administrativa local para descrever o conjunto de ferramentas e métodos aplicados nessa região. Se você está procurando algo pronto, recomendo baixar o Tesseract a partir do repositório oficial no GitHub e instalar o pacote de línguas português-br. A instalação no Ubuntu é direta com apt, e no Windows você pode usar o instalar o NSDTesseract que empacota tudo de forma mais amigável. Recomendações práticas baseadas no que dá errado no dia a dia

Um dos problemas mais chatos que eu encontrei foi com documentos que tinham sido digitalizados por outros escritórios usando scanners de alta velocidade sem tratamento de cor. As bordas ficavam escuras, as linhas tábuas apareciam como caracteres falsos, e o OCR gerava páginas inteiras de lixo. A correção foi simplesmente usar um corte de margem automático (margin cleanup) que descarta os 10mm mais escuros das bordas da página, que quase sempre são artefato do scanner. Outro ponto que ninguém comenta: a formatação de tabelas. Documentos judiciais frequentemente trazem planilhas com números alinhados. O OCR padrão trata cada célula como texto separado e quebra o alinhamento. Se você precisa preservar a estrutura tabular, use o PSM 6 ou combine o Tesseract com uma ferramenta como o Tabula para extrair tabelas de PDFs já digitais antes de rodar o reconhecimento.

O processo todo, do scan ao texto final editável, leva em média 20 a 40 minutos por volume de 50 páginas quando bem configurado. Sem configuração adequada, pode levar horas e ainda assim o resultado não fica confiável. Se o seu volume for grande e constante, vale a pena investir em um software de OCR corporativo como o ABBYY FineReader ou o Readiris. Eles têm engines proprietárias que lidam melhor com variações de qualidade de imagem do que o Tesseract fora da caixa. O custo é mais alto, mas o tempo de revisão manual cai significativamente.

Uma última coisa: mantenha sempre uma cópia do arquivo escaneado original lado a lado com o texto extraído. Sempre. Porque quando um documento é contestado judicialmente, você precisa provar que a transcrição não alterou o conteúdo original, e ter o PDF de imageamento é a única forma de fazer essa comparação de forma confiável.