Legal OCR - Extração de Texto de Documentos Jurídicos

Visão Geral

Esta skill extrai texto de documentos jurídicos escaneados em formato PDF usando técnicas avançadas de OCR (Optical Character Recognition) otimizadas especificamente para a linguagem jurídica brasileira.

Principais características:

• Alta precisão: 95%+ em documentos limpos, 85-90% em documentos de baixa qualidade
• Otimizado para português jurídico: Dicionário especializado com 200+ termos jurídicos
• Pré-processamento inteligente: Correção de inclinação, remoção de ruído, melhoria de contraste
• Multi-engine: PaddleOCR (primário) + EasyOCR (fallback)
• Estrutura preservada: Identifica seções (relatório, fundamentação, dispositivo)
• Validação de qualidade: Score de confiança e detecção de erros

Quando Usar

Use esta skill quando precisar:

• Converter PDFs escaneados de processos judiciais em texto editável
• Extrair conteúdo de sentenças, acórdãos, petições digitalizadas
• Processar documentos antigos ou de baixa qualidade de escaneamento
• Alimentar sistema de análise jurídica (RAG) com documentos históricos
• Criar banco de jurisprudência a partir de documentos físicos digitalizados

NÃO use para:

• PDFs nativos digitais (use ferramentas de extração de texto direto)
• Documentos manuscritos (acurácia limitada)
• Imagens com resolução < 200 DPI (resultados ruins)

Como Funciona

Pipeline de Processamento

PDF Scaneado
    ↓
[1] Conversão PDF → Imagem (PyMuPDF, 300 DPI)
    ↓
[2] Pré-processamento
    • Conversão para escala de cinza
    • Correção de inclinação (Hough Transform)
    • Remoção de ruído (Median Blur)
    • Melhoria de contraste (CLAHE)
    • Binarização adaptativa
    ↓
[3] OCR Engine (PaddleOCR pt-BR)
    • Detecção de texto
    • Reconhecimento de caracteres
    • Score de confiança
    ↓
[4] Fallback (EasyOCR) se confiança < 30%
    ↓
[5] Pós-processamento
    • Correção com dicionário jurídico
    • Correção de acentuação
    • Identificação de estrutura do documento
    ↓
[6] Validação de Qualidade
    • Score de confiança
    • Detecção de problemas (O/0, l/1, etc.)
    • Flag para revisão humana
    ↓
Texto Estruturado (JSON)

Tecnologias Utilizadas

Componente	Biblioteca	Função
PDF → Imagem	PyMuPDF (fitz)	Conversão rápida (3.3x mais rápida que pdf2image)
Pré-processamento	OpenCV	Melhoria de qualidade da imagem
OCR Primário	PaddleOCR	Melhor acurácia para português (95%+)
OCR Fallback	EasyOCR	Alternativa quando PaddleOCR falha
Pós-processamento	Custom + Transformers	Correção de termos jurídicos

Recursos

1. Pré-processamento Avançado

• Correção de inclinação: Detecta e corrige documentos escaneados tortos
• Remoção de ruído: Remove artefatos de escaneamento
• CLAHE: Melhoria de contraste adaptativa (crítico para documentos antigos)
• Binarização: Converte para preto/branco otimizado para OCR

2. Dicionário Jurídico Brasileiro

• 200+ termos jurídicos pré-cadastrados
• Correção automática de erros comuns (ex: "açao" → "ação", "decisao" → "decisão")
• Fuzzy matching para termos similares (85%+ similaridade)
• Cobertura de áreas: civil, penal, trabalhista, tributário

3. Identificação de Estrutura

Reconhece automaticamente seções típicas de documentos jurídicos:

• Cabeçalho: Tribunal, número do processo
• Preâmbulo: Partes, juiz
• Relatório: Síntese dos fatos
• Fundamentação: Argumentação jurídica
• Dispositivo: Decisão final
• Assinaturas: Bloco de assinaturas

4. Suporte a Layouts Complexos

• Multi-colunas
• Tabelas (extração estruturada)
• Cabeçalhos e rodapés
• Notas de rodapé

5. Validação de Qualidade

• Score de confiança (0-100)
• Detecção de confusão O/0, l/1, S/5
• Verificação de elementos obrigatórios (juiz, tribunal, data, etc.)
• Flag automático para revisão humana quando confiança < 70%

Uso Básico

Comando Simples

# Extrair texto de um único PDF
python .claude/skills/legal-ocr/pipeline_ocr.py sentenca_escaneada.pdf

Comando com Opções

# Alta qualidade + GPU + output customizado
python .claude/skills/legal-ocr/pipeline_ocr.py \
  --input documento.pdf \
  --output resultado.json \
  --quality high \
  --use-gpu \
  --dpi 400

Batch Processing

# Processar múltiplos PDFs
python .claude/skills/legal-ocr/pipeline_ocr.py \
  --input-dir ./processos_escaneados/ \
  --output-dir ./textos_extraidos/ \
  --batch-size 32

Output Format

O resultado é um arquivo JSON estruturado:

{
  "filename": "sentenca_123.pdf",
  "timestamp": "2025-12-10T21:00:00",
  "metadata": {
    "total_pages": 15,
    "processing_time_seconds": 45.2,
    "gpu_used": true,
    "primary_engine": "paddleocr",
    "fallback_used_pages": [3, 7]
  },
  "pages": [
    {
      "page_num": 1,
      "text": "SENTENÇA\n\nProcesso nº 0001234-56.2024.8.26.0100...",
      "confidence": 0.92,
      "source": "paddleocr",
      "validation": {
        "confidence": 85,
        "issues": [],
        "requires_review": false
      },
      "structure": {
        "section": "header",
        "detected_elements": ["tribunal", "numero_processo", "juiz"]
      }
    }
  ],
  "full_text": "SENTENÇA\n\nProcesso nº 0001234-56.2024.8.26.0100...",
  "document_structure": {
    "header": "SENTENÇA\nTribunal de Justiça de São Paulo...",
    "relatorio": "Trata-se de ação de...",
    "fundamentacao": "É o relatório. Decido.\n\nO pedido merece...",
    "dispositivo": "Pelo exposto, JULGO PROCEDENTE..."
  },
  "quality_summary": {
    "avg_confidence": 0.89,
    "total_issues": 2,
    "pages_requiring_review": 0,
    "overall_quality": "good"
  }
}

Instalação

Pré-requisitos

• Python 3.8+
• (Opcional) GPU NVIDIA com CUDA para acelerar processamento

Instalação Automática

cd .claude/skills/legal-ocr
chmod +x setup.sh
./setup.sh

Instalação Manual

cd .claude/skills/legal-ocr
pip install -r requirements.txt

# Baixar modelos PaddleOCR (português)
python -c "from paddleocr import PaddleOCR; PaddleOCR(lang='pt')"

Configuração

Configurações Padrão (documents limpos)

{
    'dpi': 300,
    'quality': 'standard',
    'confidence_threshold': 0.4,
    'use_gpu': True,
    'batch_size': 32
}

Para Documentos de Baixa Qualidade

{
    'dpi': 400,
    'quality': 'high',
    'confidence_threshold': 0.2,
    'preprocessing': {
        'clahe_clip_limit': 4.0,
        'denoise_strength': 7,
        'binarization': 'adaptive'
    }
}

Performance

Configuração	Throughput	Acurácia	Requisitos
GPU + Batch 32	800 pág/hora	95%+	8GB VRAM
GPU + Batch 16	600 pág/hora	95%+	6GB VRAM
CPU	300 pág/hora	94%	4GB RAM

Estimativa de custos: Infraestrutura open-source, custo zero de APIs

Limitações

• Documentos manuscritos: acurácia < 60% (não recomendado)
• Imagens < 200 DPI: resultados ruins
• Documentos muito antigos/deteriorados: podem requerer ajuste manual
• Tabelas complexas: extração estruturada limitada
• Idiomas: otimizado apenas para português brasileiro

Suporte

Para questões técnicas, consulte:

• reference.md: Detalhes técnicos completos
• examples.md: Exemplos práticos de uso
• Logs: .claude/skills/legal-ocr/logs/ocr_processing.log

Integração com SIGEDEC

Esta skill foi desenhada para integrar perfeitamente com o sistema SIGEDEC:

# Exemplo de integração
from pipeline_ocr import LegalDocumentOCRPipeline

# Processar documento para indexação no Qdrant
pipeline = LegalDocumentOCRPipeline(use_gpu=True)
result = pipeline.process_legal_document('acórdão_escaneado.pdf')

# Enviar para vector database
if result['quality_summary']['overall_quality'] in ['good', 'excellent']:
    # Indexar no Qdrant
    store_in_vectordb(result['full_text'], metadata=result['metadata'])

Próximas Melhorias

• Suporte a DeepSeek-OCR (10x compressão, 97% acurácia)
• Modelo de linguagem fine-tuned para jurídico brasileiro
• OCR de tabelas complexas com estrutura preservada
• Detecção automática de assinaturas digitais
• Suporte a documentos multi-idioma (espanhol, inglês)

---

Versão: 1.0.0 Última atualização: 2025-12-10 Licença: MIT Autor: SIGEDEC Team