Extração de Texto com OCR
Ir para notas que citam estaExtração de texto com OCR é a primeira etapa da ingestão de um RAG: converter PDF ou imagem em texto aproveitável, de preferência em markdown, antes de dividir e vetorizar.
Tudo o que vem depois herda a qualidade dessa etapa. O chunking, os embeddings e a busca trabalham sobre o texto extraído; se ele vier com caracteres trocados, tabelas desmontadas ou trechos faltando, o agente de RAG vai recuperar e citar esses defeitos. A qualidade das respostas depende diretamente da qualidade dos dados de origem.
OCR (reconhecimento óptico de caracteres) lê o documento como imagem e reconstrói o texto. Serviços baseados em IA, como o Mistral OCR, devolvem esse texto já estruturado em markdown, com títulos preservados como headings, o que é mais eficiente para entregar depois a um LLM.
Quando OCR é necessário e quando a extração nativa basta
- Documento que já é texto simples, como um Word ou uma planilha convertidos para PDF: a extração binária nativa, como a do carregador de documentos do N8N, funciona bem, sem diferença perceptível em relação ao OCR.
- Documento com tabelas e muita variação de fonte: a extração nativa pode quebrar a codificação do português, trocando acentos por asteriscos e caracteres estranhos. Nesse caso, OCR resolve.
- Conteúdo baseado em imagem, como página escaneada: o binário não tem estrutura de texto reconhecível, e o OCR é o caminho. Extratores comuns não avisam que há uma imagem, apenas inserem quebras de linha, e o conteúdo some sem erro visível. Esse é um dos desafios recorrentes em fluxos como o Agentic Document Workflow.
Fluxo de extração com o Mistral OCR
Em Python, o fluxo segue a documentação do serviço. Instala-se o pacote cliente da Mistral (mistralai), com o uv por exemplo, e cria-se um cliente autenticado com a chave lida de variável de ambiente. O PDF é enviado por upload, com o nome do arquivo, os bytes do conteúdo e o propósito declarado como OCR. O upload devolve um identificador do arquivo, que é passado para a chamada de processamento junto com o modelo mistral-ocr-latest e a opção de incluir as imagens extraídas em base64.
O resultado vem separado por página. Cada página traz imagens, dimensões, cabeçalho, rodapé e links, mas o campo que interessa para a base de conhecimento é o texto em markdown. As páginas são concatenadas numa única string, separadas por quebra de linha, e essa string segue para o chunking. Um PDF de 147 páginas é extraído em pouco tempo, bem mais rápido do que costumam ser os processos de OCR sem IA.
No N8N, o nó do Mistral oferece o retorno como texto completo em markdown ou dividido por página. A credencial segue o mesmo padrão da credencial da OpenAI, e o serviço tem uso gratuito dentro de um limite.
Ferramenta tradicional, IA e execução local
Uma ferramenta de OCR que levava mais de 5 minutos por chamada e travava foi substituída por uma implementação própria, mais rápida e sem custo por chamada. O serviço com IA ganha em velocidade e confiabilidade em documentos complexos; a solução tradicional pode bastar e sai mais barata em documentos simples.
Outra combinação possível é rodar um OCR tradicional, como o Tesseract, e usar IA para corrigir o texto bruto. O ganho vem com um risco: o modelo pode resumir ou alucinar parte do conteúdo nessa correção.
Manter a extração inteiramente local, baixando um modelo de OCR pelo Ollama, é possível em teoria, dentro da lógica de modelos locais, mas exige outra configuração e não substitui automaticamente a confiabilidade de um serviço dedicado.