PaddleOCR

Mantido pelo time do PaddlePaddle, o PaddleOCR transforma um PDF escaneado ou a foto de um documento em texto que um sistema consegue ler. O kit entrega o resultado em JSON ou Markdown, pronto para alimentar um modelo de linguagem. Se o termo OCR ainda é vago, o post OCR: o que é explica a técnica.

Para que serve

• Extrair texto de imagens e PDFs com os modelos PP-OCR, que cobrem dezenas de idiomas num modelo só.
• Converter documentos com tabelas e layout complexo em Markdown ou JSON com o PP-StructureV3, que guarda até as coordenadas das células.
• Fazer parsing de documentos com o PaddleOCR-VL, um modelo de visão e linguagem de 0,9 bilhão de parâmetros.
• Processar contratos e notas na própria máquina, sem subir arquivo para um conversor de PDF online.

Como começar

O README sugere testar antes no Experience Center do site oficial, que dispensa instalação. Para rodar localmente, o guia de instalação usa o pip:

python -m pip install paddleocr

A variante paddleocr[all] traz os recursos opcionais, como parsing de documentos, e pede Python 3.9 ou superior. Para treinar ou exportar modelos, o guia manda instalar antes o framework PaddlePaddle. O projeto roda em CPU Intel, com aceleração por OpenVINO ou ONNX Runtime, e em GPU NVIDIA.

Licença e custo

Pela Apache 2.0, uma empresa pode usar e alterar o PaddleOCR. Em troca, mantém o aviso de copyright e registra as mudanças nos arquivos em que mexer. Rodar localmente não tem custo de licença. O README cita APIs no site oficial, que hoje redireciona para o Baidu AI Studio. Para documento sigiloso, a instalação local evita mandar o arquivo para fora.

Quando vale a pena

Compensa para quem precisa de OCR em volume ou em vários idiomas, ou quer documentos estruturados para RAG e agentes. Projetos como Dify e RAGFlow já usam o PaddleOCR. Para ler um ou outro arquivo de vez em quando, a instalação pesa mais do que ajuda. O MinerU é outra opção para converter PDF em Markdown.