Cómo hacer OCR a un PDF

Leer un PDF escaneado como texto

Un PDF escaneado es una foto de un documento, no un documento. Puedes leerlo en pantalla, pero no puedes buscar en él, copiar un párrafo de él ni pegarlo en otro archivo. El OCR — reconocimiento óptico de caracteres — es el paso que convierte la foto de nuevo en texto: mira cada página, reconoce las letras y las escribe como texto que puedes usar. Esta herramienta ejecuta OCR en tu navegador, con el motor Tesseract.

Cada página se lee en orden, y el resultado es un archivo .txt con el texto de cada página, con marcadores de página entre las páginas para que siempre sepas dónde termina una página y empieza la siguiente. El resultado se abre en cualquier editor de texto, y desde ahí puedes buscar en él, copiar de él o pasarlo a otra herramienta — un resumen, una traducción o una búsqueda. Un archivo por ejecución, hasta 100 MB y hasta 20 páginas. La primera vez que usas la herramienta, el motor OCR (unos 7 MB) y el archivo de idioma de tu documento (unos 1–4 MB) se descargan en tu navegador; después quedan guardados en caché y listos.

El límite honesto es que el OCR adivina. Mira los píxeles y decide qué letra es cada forma, y en una página borrosa, torcida o descolorida se equivocará. Un escaneo limpio con buena resolución se lee bien; una foto de una página tomada en ángulo, con mala luz, se lee mal. Comprueba siempre el resultado — sobre todo los nombres y los números, donde una sola letra equivocada cambia el significado. Solo se admite texto impreso; la escritura a mano no, y ningún ajuste hará que funcione. Y elige el idioma del documento antes de empezar: el OCR con el archivo de idioma equivocado leerá mal las letras que se parecen entre idiomas.

Algunos consejos prácticos. Si puedes, escanea en lugar de fotografiar — un escaneo plano es la mejor entrada que el OCR puede recibir. Si el escaneo está torcido, enderézalo primero; una página inclinada es la razón más común de los malos resultados. Haz una prueba corta con una página antes de comprometerte con todo el documento, para saber qué calidad esperar. Y cuando el texto importa — un contrato, un historial médico, un conjunto de cifras — lee el archivo .txt comparándolo con el escaneo, línea por línea, antes de fiarte de él. El OCR ahorra horas de tecleo, pero no elimina la necesidad de comprobar.

También ayuda saber qué tipo de documento maneja bien el OCR. Una página impresa limpia — un libro, un formulario, una carta mecanografiada — se lee bien, porque las letras son regulares y el espaciado es uniforme. Una página con dos columnas, una tabla o una mezcla de texto e imágenes se lee peor: el texto sale, pero el orden de las columnas puede mezclarse, y una tabla puede salir como una larga línea de palabras. Una página con un sello, una firma o escritura a mano en el margen leerá el texto impreso y se saltará el resto, porque la escritura a mano no es compatible. Si el diseño importa — un formulario donde cada campo debe quedarse en su lugar — guarda el escaneo junto al texto, para poder comprobar de dónde salió cada línea.

La elección del idioma también merece una segunda mirada. El OCR lee mejor cuando el archivo de idioma coincide con el idioma de la página, porque las letras que se parecen entre idiomas — una diéresis alemana, un acento francés, una palabra indonesia sin equivalente en inglés — se adivinan a partir del idioma que elegiste. Un documento que mezcla dos idiomas leerá bien uno de ellos y mal el otro, y no hay ningún ajuste que lea los dos a la vez. Si tu documento es mayormente de un idioma con unas pocas palabras en otro, elige el idioma principal y revisa las palabras extranjeras a mano.

Todo se ejecuta en tu navegador. Tu escaneo nunca se sube a un servidor, así que un documento personal se queda en tu dispositivo. No hay cuenta, no hay límite diario y no hay marca de agua. Abre la herramienta, suelta tu escaneo, elige el idioma y recupera el texto.

Cómo usar esta herramienta

1. 1Suelta un PDF escaneado en la página OCR PDF — hasta 100 MB, hasta 20 páginas por ejecución.
2. 2Elige el idioma del documento.
3. 3Pulsa Leer texto con OCR y espera mientras cada página se lee en orden.
4. 4Descarga el archivo .txt y ábrelo en cualquier editor de texto.
5. 5Comprueba el resultado con cuidado — sobre todo los nombres y los números — antes de fiarte de él.