OCR, extração de campos e busca ECM: como testar cada camada
21 de outubro de 2026 · Redação técnica Arquindex
Quando um documento não aparece na consulta, refazer o OCR pode não resolver. O problema pode estar no texto reconhecido, na extração do campo, na indexação ou no perfil de acesso. Este guia organiza o diagnóstico por camada e complementa a visão de arquitetura Alfresco e captura.
Três resultados diferentes
| Camada | Entrega esperada | Teste |
|---|---|---|
| OCR | Texto reconhecido a partir de imagem | Procurar termos conhecidos no arquivo processado |
| Extração | Valor associado a um campo definido | Comparar campo e contexto com a página original |
| Pesquisa ECM | Recuperação do documento autorizado por texto ou metadados | Consultar com perfis e critérios diferentes |
Comece pelo documento que realmente entrou
Guarde um identificador de teste, versão e página. Confirme se o arquivo contém texto digital ou apenas imagem. Em uma cópia processada, procure um termo legível presente no original. Se o texto não existe ou está incorreto, investigue captura, idioma, inclinação e segmentação. O OCR não reconstrói conteúdo cortado nem transforma automaticamente uma tabela em dados corretos.
Depois confira o significado do campo
Uma data reconhecida pode ser a de impressão, emissão ou vencimento. Um nome encontrado no cabeçalho pode ser do médico, e não do paciente. Defina rótulo, posição ou contexto esperado, validações e identificador complementar. Casos ambíguos seguem para revisão. O acerto deve ser medido no campo completo e na associação ao dossiê, sem aceitar palavras isoladas como evidência suficiente.
Investigue a indexação separadamente
Se o arquivo contém o termo correto e o documento não aparece no ECM, confirme que a versão importada é a processada, que o mecanismo de pesquisa recebeu a atualização e que o tipo de conteúdo é suportado pela configuração. Teste texto completo e metadados separadamente. Não trate atraso de atualização como perda do arquivo sem conferir o repositório.
O Alfresco Search Services oferece capacidades de pesquisa com Apache Solr. A escolha e compatibilidade do mecanismo dependem da edição e versão adotadas; componentes de pesquisa e OCR devem ser especificados no projeto, sem presumir que qualquer instalação forneça extração inteligente.
Permissões fazem parte do aceite
Execute a mesma consulta com usuário autorizado e sem acesso à pasta. Confira resultados, prévias e download. Uma integração de pesquisa deve preservar as regras de autorização; encontrar o texto não deve conceder acesso ao arquivo. Registre perfil, consulta, resultado esperado e resultado observado para repetir o teste após alterações.
Registro mínimo de uma falha
- Arquivo, versão, página e termo ou campo esperado.
- Etapa em que o valor divergiu: captura, OCR, extração, indexação ou consulta.
- Perfil utilizado e permissões esperadas.
- Correção aplicada, responsável e resultado do novo teste.
Esse registro evita reprocessar um lote inteiro quando o problema está no índice ou em uma regra de associação. Para estimar o impacto das exceções, veja dimensionamento de OCR e revisão humana.
Aplicações regionais com contexto próprio
Conheça as soluções da Arquindex ou entre em contato por comercial@arquindex.com.br.
Todos os guias e roteiros regionais
Referências técnicas
- Implantação oficial do Alfresco
- Alfresco Search Services
- Tesseract: qualidade da imagem e limitações do OCR
Roteiro técnico da Arquindex; critérios específicos dependem de avaliação e contrato.
Diagnóstico aprofundado: quando OCR, extração ou busca falham?
Resposta direta: um documento pode falhar na busca por cinco motivos diferentes: imagem sem texto reconhecido, campo extraído incorretamente, classificação equivocada, índice do repositório desatualizado ou falta de permissão. O diagnóstico precisa localizar a camada defeituosa antes de refazer OCR ou mudar o motor de pesquisa. Cada hipótese exige evidências e testes próprios.
Matriz de investigação por sintoma
| Sintoma | Teste | Próxima ação |
|---|---|---|
| Palavra visível não aparece no PDF | Extrair texto e comparar com imagem | Rever captura, idioma e OCR |
| CPF correto, titular errado | Comparar campo e rótulo no original | Corrigir associação e regras de contexto |
| Documento correto em pasta errada | Verificar tipo e metadados | Revisar classificação e importação |
| Texto existe, busca não encontra | Consultar índice, versão e logs | Diagnosticar indexação ECM |
| Administrador encontra, colaborador não | Repetir consulta por perfil | Verificar permissões e política de acesso |
Exemplo hipotético: ficha ocupacional multipágina
Uma ficha de saúde ocupacional contém nome do funcionário na primeira página, exames anexados sem identificação nas páginas seguintes e assinatura do médico no encerramento. Um separador baseado em qualquer nome reconhecido pode dividir o documento indevidamente. A regra mais segura exige detectar início de novo dossiê por campos identificadores confiáveis, manter anexos associados ao registro anterior até evidência de nova abertura e encaminhar ambiguidades para revisão. O OCR não substitui essa lógica documental.
Critérios de aceite e evidência
Documente lote, arquivo original, versão, hash quando aplicável, páginas, operador, resultados de extração e correções. Separe métricas por tipo documental e por campo crítico. A taxa de reconhecimento de caracteres não é a taxa de acerto da classificação nem a taxa de recuperação correta. Avalie também falsos positivos em consultas por nome e documentos restritos.
Veja a arquitetura completa de OCR, IA e Alfresco dedicado. Fontes: Alfresco Docs e ANPD. Atualizado em 22/10/2026 pela Redação técnica Arquindex.