Como Escolher o Formato de Arquivo Ideal para Reconhecimento de Texto Manuscrito (HTR)

Última atualização: 20 de ago de 2026

Formatos de Arquivo OCR para Documentos Históricos e Manuscritos

Preservar o patrimônio cultural por meio da digitalização entrou em um renascimento. Enquanto os primeiros sistemas de reconhecimento óptico de caracteres (OCR) foram projetados para analisar documentos impecáveis, impressos por máquinas do século XX, as instituições modernas de patrimônio cultural enfrentam um desafio muito mais confuso e rico: manuscritos medievais, correspondências cursivas do século XIX, folios iluminados frágeis e registros centenários.

Transcrever documentos históricos não é mais apenas extrair texto ASCII simples. É necessário capturar contexto—a geometria física da página, curvas de linha de base, correções de sangramento, marginalia, abreviações e incerteza paleográfica. Esta área especializada, frequentemente categorizada como Reconhecimento de Texto Manuscrito (HTR), depende fortemente do formato de arquivo usado para armazenar e trocar tanto as coordenadas de imagem quanto as camadas textuais.

Selecionar o esquema errado pode remover dados essenciais da linha de base, quebrar o alinhamento com os manifestos IIIF (International Image Interoperability Framework) ou impedir a preservação digital de longo prazo. Aqui está um guia definitivo dos principais formatos de arquivo OCR e HTR para documentos históricos, seus pontos fortes estruturais e como determinar a escolha certa para o seu fluxo de trabalho de arquivamento.

O Dilema Histórico: Por que Texto Simples e PDFs Falham

OCR impresso por máquina costuma gerar arquivos simples .txt ou PDFs “sandwich” com camadas de texto ocultas sob a digitalização. Para manuscritos históricos e escrita cursiva, esses resultados falham por três razões principais:

1. Texto Não Linear e Layouts Complexos: Os escribas históricos não seguiam grades retangulares ordenadas. O texto flui para as margens, contorna iniciais iluminadas, entrelaça-se entre correções interlineares inseridas ou corre verticalmente ao longo da lombada.
2. Linhas de Base Curvas e Inclinadas: A escrita cursiva raramente segue um eixo horizontal rígido. Motores de HTR como Transkribus, Kraken e eScriptorium dependem de linhas de base poligonais em vez de caixas delimitadoras para interpretar scripts ricos em ligaduras.
3. Complexidade Paleográfica e Metadados: A pesquisa de arquivos requer o acompanhamento de abreviações, variações ortográficas históricas, leituras danificadas e pontuações de confiança ao nível de linha. Formatos de documento padrão descartam essa granularidade.

Para manter a fidelidade ao artefato original, a comunidade de arquivos depende de esquemas XML estruturados projetados para preservar a topologia do layout juntamente com o texto transcrito.

1. PAGE XML: O Padrão Ouro para Reconhecimento de Texto Manuscrito (HTR)

Desenvolvido pelo Laboratório de Pesquisa PRImA (Pattern Recognition & Image Analysis), PAGE XML (Page Analysis and Groundtruth Elements) é amplamente considerado o formato de ponta para reconhecimento de texto manuscrito e análise avançada de layout.

Arquitetura Central

O PAGE XML trata o documento físico como uma estrutura hierárquica:

• PcGts (Raiz)
  • Page (Dimensões da imagem e ordem de leitura geral)
    • TextRegion (Parágrafos, cabeçalhos, notas marginais, palavras de captura)
      • TextLine
        • Coords (Coordenadas do polígono ao redor da linha)
        • Baseline (Uma série de pontos que seguem a linha de base real da escrita)
        • TextEquiv (O texto reconhecido, com métricas de confiança opcionais)

Por que se Destaca em Manuscritos Históricos

• Precisão de Polígonos e Polilinhas: Em vez de forçar caracteres em caixas delimitadoras retangulares, o PAGE XML usa limites de polígonos de múltiplos pontos e linhas de base contínuas. Isso impede que ascendentes e descendentes cursivos sobrepostos interfiram na segmentação.
• Tipos Estruturais Granulares: As regiões podem ser classificadas com precisão (por exemplo, marginalia, drop-capital, signature-mark, header, editorial-note).
• Ecossistema de Software Amplo: Ele serve como o principal esquema interno e de exportação para plataformas HTR de destaque como Transkribus, eScriptorium e Kraken.

2. ALTO XML: O Poderoso da Biblioteca e Arquivo

ALTO (Analyzed Layout and Text Object) é um padrão XML aberto mantido pela Library of Congress e amplamente adotado por bibliotecas nacionais, incluindo a Bibliothèque nationale de France (BnF) e a British Library.

Arquitetura Central

O ALTO estrutura o layout hierarquicamente de Page a PrintSpace, passando por TextBlock, TextLine e String (palavras individuais ou tokens). É frequentemente empacotado dentro de um wrapper METS (Metadata Encoding and Transmission Standard) para associar metadados estruturais a imagens mestre de alta resolução.

Principais Pontos Fortes e Casos de Uso

• Fluxos de Digitalização em Massa: O ALTO foi projetado com a digitalização industrial de jornais e livros em mente. Ele codifica de forma limpa atributos de fonte, coordenadas ao nível de palavra, confiança de caracteres e espaços em branco.
• Suporte Moderno HTR (ALTO 4): Versões anteriores do ALTO dependiam fortemente de coordenadas retangulares (HPOS, VPOS, WIDTH, HEIGHT). No entanto, a partir da versão 4 do ALTO, o esquema introduziu polígonos <Shape> e linhas de base polilinha, fechando a lacuna funcional com PAGE XML para materiais manuscritos.
• Preservação a Longo Prazo: Como é um padrão oficial apoiado por consórcios internacionais de bibliotecas, o ALTO garante estabilidade a longo prazo e compatibilidade retroativa de nível de arquivo.

3. hOCR: O Padrão Leve e Primeiro para a Web

Criado por Thomas Breuel, hOCR adota uma abordagem pragmática: em vez de criar um esquema XML totalmente novo, ele incorpora metadados de layout e transcrição diretamente em HTML/XHTML semântico usando microformatos e atributos de classe.

Exemplo Típico de Sintaxe

<div class="ocr_page" id="page_1" title="bbox 0 0 2480 3508">
  <div class="ocr_carea" id="block_1_1">
    <p class="ocr_par" id="par_1_1">
      <span class=\"ocr_line\" id=\"line_1_1\" title=\"bbox 150 320 2200 410; baseline 0 -5\">\n        <span class=\"ocrx_word\" id=\"word_1_1\" title=\"bbox 150 325 380 405; x_wconf 92\">Incipit</span>\n      </span>
    </p>
  </div>
</div>

Prós e Contras para Materiais Históricos

• Prós: Os navegadores podem renderizá-lo nativamente. É facilmente transformado usando CSS e JavaScript puros, e é o formato de exportação estruturado padrão para motores como Tesseract.
• Contras: O suporte nativo para curvas de linha de base complexas e de múltiplos pontos é limitado. Embora seja prático para obras impressas antigas (incunábulos ou folhetos limpos), o hOCR tem dificuldades com layouts manuscritos erráticos e marginalia em múltiplas camadas.

4. TEI-XML: O Referencial Acadêmico e de Humanidades Digitais

O formato Text Encoding Initiative (TEI) não é estritamente um formato de saída de motor OCR; ao contrário, é o padrão principal para edições digitais críticas e representação acadêmica de textos literários e históricos.

Conectando OCR/HTR ao TEI

Os pipelines modernos raramente param no reconhecimento bruto de caracteres. Pesquisadores utilizam ferramentas como o Transkribus TEI Exporter ou pipelines XSLT automatizados para traduzir arquivos PAGE XML ou ALTO para XML conforme TEI:

• Abreviações são expandidas (<choice><abbr>...</abbr><expan>...</expan></choice>).
• Exclusões, adições e mãos de copistas são formalmente classificadas (<add>, <del>, <handShift>).
• Os dados de layout são preservados juntamente com a análise literária através dos elementos <facsimile> e <surface>.

Se o seu projeto histórico tem como objetivo criar uma edição crítica interativa ou um arquivo acadêmico semanticamente pesquisável, converter seus dados OCR/HTR em TEI-XML costuma ser a etapa final necessária.

Matriz Comparativa: Formatos OCR/HTR em Um Relance

Recomendações Práticas: Escolhendo Seu Pipeline de Arquivamento

Para estabelecer um fluxo de digitalização eficiente e à prova de futuro:

1. Para Manuscritos e Arquivos Manuscritos Puros: Padronize sua transcrição e extração de layout em PAGE XML. Seu cálculo de linha de base e contorno de polígonos lidam com mãos caligráficas não padrão com perda mínima de dados.
2. Para Bibliotecas de Grande Escala e Coleções Mistas: Escolha ALTO XML (v4.2 ou superior) emparelhado com METS. Isso garante integração perfeita nas arquiteturas padrão de repositórios digitais e sistemas de gerenciamento de ativos digitais (DAMS).
3. Para Apresentação Web e Índices de Busca de Texto Completo: Use hOCR ou derive estruturas leves de GeoJSON/Anotação Web a partir do PAGE XML para alimentar visualizadores interativos IIIF (como Mirador ou Universal Viewer) com sobreposições de texto ao vivo no navegador.
4. Para Edições Acadêmicas & Pesquisa Paleográfica: Gere sua verdade de base em PAGE XML, realize o reconhecimento e canalize a saída através de um conversor automatizado para gerar TEI-XML para marcação editorial.

Ao combinar as capacidades estruturais desses formatos com as exigências paleográficas do seu material de origem, você garante que cada traço, abreviação e nuance histórica permaneçam decifráveis por séculos.

Perguntas Frequentes (FAQ)

Q1. Qual é a diferença fundamental entre OCR padrão e HTR? OCR reconhece tipografia impressa por máquina de forma consistente, enquanto HTR (Reconhecimento de Texto Manuscrito) utiliza redes neurais profundas para decodificar escrita humana contínua e variável e linhas de base curvas.

Q2. O Tesseract OCR pode gerar PAGE XML ou saída ALTO para documentos históricos? Sim, o Tesseract pode gerar ALTO XML nativo e saída hOCR, e wrappers de terceiros podem converter esses resultados em PAGE XML.

Q3. Por que as linhas de base são mais importantes que as caixas delimitadoras na transcrição de texto manuscrito? As linhas de base acompanham a linha natural e ondulada da caligrafia humana, permitindo que o software segmente ascendentes e descendentes sobrepostos que colidem dentro de caixas delimitadoras rígidas.

Q4. Como o padrão IIIF interage com esses formatos de arquivo OCR? IIIF fornece imagens de alta resolução via APIs web abertas, enquanto formatos como ALTO ou PAGE XML fornecem dados de coordenadas que podem ser convertidos em anotações de Busca de Conteúdo IIIF.

Q5. Qual formato de arquivo é mais fácil de converter diretamente em um PDF pesquisável? Tanto hOCR quanto ALTO XML podem ser combinados com as imagens originais das páginas para construir arquivos PDF de camada dupla pesquisáveis usando ferramentas como OCRmyPDF.

Veja também

• PDF/A-3 - O Monstro Híbrido? Incorporando Dados Originais Dentro do Seu OCR
• Entendendo os Formatos de Arquivo OCR - HOCR vs ALTO vs PDF/A Explicado
• Qual é a Diferença entre PDF e FDF?
• Para que Serve o FDF? Entendendo o Propósito do Formato de Dados de Formulários
• PDF vs Word: Qual Você Deve Usar e Quando?