OCR and Documents

• Você tem um PDF (digital ou digitalizado) e precisa extrair seu texto para resumo, arquivamento ou análise adicional.
• Você precisa fazer OCR em uma fatura digitalizada, formulário ou foto de um documento e extrair campos estruturados.
• Você quer converter um arquivo DOCX em texto simples ou markdown para uso em outra skill ou pipeline.
• Você está construindo uma etapa de pré-processamento que alimenta texto limpo de documentos em indexação de busca ou em um fluxo de trabalho com LLM.

• Sua entrada é um arquivo PowerPoint/PPTX — encaminhe esses arquivos para uma skill dedicada a apresentações.
• Seus documentos digitalizados têm resolução muito baixa, estão muito inclinados ou estão em um idioma não suportado; a qualidade do OCR será baixa e os resultados serão não confiáveis.
• Você precisa de uma solução sem dependências e sem configuração — esta skill requer um ambiente Python e pelo menos uma biblioteca de documentos/OCR.

Utiliza PyMuPDF ou pdfminer para extrair texto diretamente de PDFs nativamente digitais sem a sobrecarga do OCR, preservando o layout da forma mais fiel possível.

Encaminha PDFs digitalizados e fotos de documentos pelo Tesseract ou por um serviço de OCR and Documents compatível para recuperar texto de conteúdo baseado em imagem.

Lê arquivos do Microsoft Word via python-docx, extraindo a estrutura de parágrafos e títulos em texto limpo ou saída em markdown.

Normaliza o conteúdo extraído em texto simples ou markdown estruturado, tornando a saída imediatamente utilizável por habilidades de sumarização, indexação ou outras etapas subsequentes.

Seleciona automaticamente o extrator apropriado — camada de texto direto, OCR ou parser específico por formato — com base no tipo de documento detectado em tempo de execução.

Realize OCR em uma fatura digitalizada ou formulário preenchido e retorne campos estruturados, como nome do fornecedor, valor e data de vencimento, para processamento ou armazenamento posterior.

Extraia texto de um PDF de várias páginas e envie o conteúdo de cada página para uma habilidade de resumo, permitindo resumos abrangentes do documento sem copiar e colar manualmente.

Analise um documento Word e converta seu conteúdo para markdown, deixando-o pronto para uma base de conhecimento, site estático ou edição adicional em um fluxo de trabalho baseado em texto.

Extraia em lote o texto de uma coleção de arquivos PDF e DOCX mistos para produzir fragmentos de texto limpos e normalizados, adequados para indexação em busca vetorial ou de texto completo com OCR and Documents.