Cómo saber si un PDF necesita OCR
Un PDF salido de un escáner, de una app de escaneo del móvil o de una pasarela de fax suele contener una imagen por página y nada más. Parece un documento, pero para el ordenador es una fotografía. Las señales son fáciles de detectar:
- Ctrl+F (Cmd+F en un Mac) no encuentra nada, ni siquiera una palabra que ves con claridad.
- Al arrastrar el ratón se selecciona toda la página como un bloque en lugar de palabras sueltas.
- Copiar y pegar no produce nada, o el lector se ofrece a «reconocer texto».
- La búsqueda de documentos de tu correo, tu nube o tu archivo nunca encuentra el archivo.
El OCR resuelve las cuatro cosas a la vez. Los candidatos típicos son contratos firmados que han pasado por un escáner, archivos antiguos en papel, tiques y facturas para la contabilidad y capítulos de libros escaneados para estudiar.
Qué hace el servidor con tu archivo
La conversión ejecuta OCRmyPDF con el motor de reconocimiento Tesseract en nuestro servidor. Para cada página, renderiza la imagen de la página, reconoce las palabras en el idioma elegido y las vuelve a añadir como una capa de texto invisible colocada con precisión sobre las palabras correspondientes de la imagen. La imagen en sí no se vuelve a dibujar ni se altera, y por eso el resultado se ve exactamente igual que el original.
Conviene saber algunos detalles:
- Las páginas que ya contienen texto se omiten, así que un documento que mezcla páginas mecanografiadas y escaneadas conserva intacto su texto original.
- Se aplica una pasada de optimización ligera y sin pérdida, así que el tamaño del archivo suele quedar cerca del original.
- El resultado se guarda como PDF/A, la variante de archivo de PDF diseñada para verse igual dentro de décadas. Cualquier lector de PDF normal lo abre.
- Se usa un idioma por ejecución. Para un documento que está casi todo en un idioma con algunos nombres extranjeros, elige el idioma principal.
Conseguir un texto preciso
La calidad del reconocimiento se decide sobre todo antes de que el archivo llegue al servidor.
Resolución
Apunta a 300 ppp al escanear documentos impresos. Con esa resolución, el texto normal de 10 a 12 puntos se reconoce sin problemas. 200 ppp funcionan con letra limpia y más grande. A 150 ppp o menos, las letras pequeñas se juntan y se vuelven frecuentes errores como leer «rn» como «m». Escanear a más de 400 ppp rara vez mejora los resultados y hace el archivo mucho más grande.
Orientación y alineación
Esta herramienta no gira ni endereza las páginas. Una página escaneada de lado o del revés da un texto pobre o vacío. Corrige antes la orientación con Girar PDF. Una ligera inclinación de uno o dos grados se tolera, pero una foto hecha con el móvil en ángulo, con la página curvándose cerca del lomo de un libro, pierde precisión rápidamente.
Contraste y elementos que estorban
El texto negro sobre papel blanco es lo ideal. Los tiques térmicos descoloridos, el lápiz, el papel de color, los sellos grandes sobre el texto y los fondos con dibujos reducen la precisión. La escritura a mano no se reconoce de forma útil.
Documentos largos y límites de tiempo
El reconocimiento tarda unos segundos por página, así que un escaneo de 50 páginas suele terminar en pocos minutos. Las tareas tienen un límite de tiempo de procesamiento de 15 minutos sin cuenta y de 60 minutos con Premium. Un libro de varios cientos de páginas puede no caber en el margen gratuito; divídelo en partes con Dividir PDF y procésalas una por una. La cuota diaria es una ejecución gratuita para archivos de hasta 500 MB, o ejecuciones ilimitadas de hasta 4 GB con Premium.
Los PDF protegidos con contraseña se rechazan, porque las páginas no se pueden leer sin ella. Quítala antes si la tienes. El archivo subido se borra al terminar el procesamiento, y el resultado caduca aproximadamente una hora después de crearse la tarea.
Revisar el resultado
Abre el PDF buscable y busca unas cuantas palabras de distintas páginas, incluido algún número. Los errores de OCR se concentran en lugares previsibles:
- Caracteres parecidos: 0 y O; 1, l e I; 5 y S, sobre todo en códigos y números de cuenta.
- Las tablas, que salen como líneas de texto en lugar de celdas.
- La letra pequeña de los pies de página y los sellos.
En contratos o facturas donde un importe importa, lee siempre la cifra en la imagen, no en el texto copiado. Si lo que quieres es el texto en sí y no un PDF buscable, abre el resultado en Extraer texto de un PDF y extraerá la capa reconocida.