Cómo hacer OCR a un PDF

Cómo hacer OCR a un PDF, paso a paso

Un PDF escaneado es un montón de fotografías: no se busca, no se copia, no se selecciona una línea. El OCR lee lo que hay en esas imágenes y devuelve el texto. En la herramienta OCR de BestPDFInTheWorld son tres pasos, sin instalar nada:

1. Elige el archivo. Arrastra el PDF escaneado a la ventana de la herramienta, o una imagen de un documento (PNG, JPEG o WebP).
2. Elige el idioma del documento. Portugués, inglés o español. Es el idioma del documento, no el de la interfaz, y elegir mal empeora mucho el resultado.
3. Descarga el resultado. Recibes un PDF con búsqueda y las páginas originales, o el texto en bruto en un archivo .txt.

Todo el trabajo ocurre en tu ordenador, de principio a fin: el escaneado nunca sale del navegador.

Qué devuelve el OCR

Por defecto recibes un PDF con búsqueda: el documento original, con las páginas tal cual estaban, más una capa de texto invisible encima que el lector no dibuja. No se ve nada nuevo en la página, pero la búsqueda del lector de PDF encuentra las palabras, el ratón selecciona líneas y copiar y pegar funciona. Es también así como los buscadores y los archivos internos empiezan a encontrar el documento.

Si prefieres solo el texto, la herramienta lo devuelve en bruto en un archivo .txt. Una nota honesta: el reconocimiento lee líneas de texto, no la estructura de la página, con un documento a dos columnas, o una tabla densa, el orden sale muchas veces cambiado en el .txt. En el PDF con búsqueda eso no se nota, porque cada palabra queda en su sitio.

Cuándo usar el OCR

• Úsalo cuando no puedas seleccionar nada. Si en tu lector de PDF no se puede marcar una palabra, el documento está hecho de imágenes y el OCR es la herramienta adecuada.
• No lo uses si el PDF ya tiene texto. Si puedes seleccionar una palabra, el texto ya está ahí: usa mejor la herramienta Extraer texto, que es inmediata y no inventa nada.
• No lee escritura a mano. Una firma, una nota manuscrita al margen o un formulario rellenado a mano no se reconocen, lo que salga de ahí es ruido.
• Solo reconoce los tres idiomas de los que tiene modelo. Portugués, inglés y español. Un documento en francés o en alemán se leerá con el modelo que elijas, y el resultado será malo. Un documento con dos idiomas mezclados se lee con el que elijas, y el otro sale peor.
• El resultado es tan bueno como el escaneado. Una página recta, con buena luz y resolución decente se lee casi entera bien; una fotografía torcida, con sombra en medio, o escaneada a baja resolución, da texto con errores, y a veces muchos. Si puedes repetir el escaneado, hazlo: rinde más que cualquier opción de esta herramienta.

Consejos para sacarle partido al OCR

• Elige bien el idioma del documento. Es él quien decide el modelo de reconocimiento; el idioma de la interfaz no importa para el resultado.
• La primera vez tarda más. La primera vez el navegador descarga el motor de reconocimiento y el modelo del idioma elegido, que juntos son varios megabytes. Luego queda guardado en el navegador: las siguientes veces arranca al momento. Si cambias de idioma, descarga el modelo de ese idioma, y solo ese.
• Cuenta con unos segundos por página. Depende de la máquina y de la calidad elegida. La herramienta muestra el progreso página a página, para que veas que avanza. Los documentos largos tardan de verdad: no es un error, es el precio de leer letra a letra.
• Empieza con la calidad Rápida. Sirve para ver deprisa si merece la pena tratar el documento. La Normal sirve para la mayoría de los casos; la Alta ayuda con letra pequeña o escaneados flojos, y tarda bastante más.
• La capa de texto es una aproximación. Las palabras quedan sobre las palabras de la imagen, pero el recuadro de selección puede quedar algo desalineado, sobre todo con letra muy pequeña o en páginas torcidas. Eso no afecta a la búsqueda: afecta al rectángulo que el lector resalta cuando encuentra la palabra.
• ¿Escaneado con el móvil? Las páginas que salen de la herramienta Escanear a PDF son imágenes, tal como salieron de la cámara: pasa el resultado por el OCR para que se pueda buscar.

Esta herramienta forma parte de la suscripción Premium, 1,99 EUR al mes, que quita los límites de todas las herramientas y añade el OCR. Firmar PDF abre en el plan gratuito, con una firma al día.

Fuentes

• BestPDFInTheWorld, OCR de PDF digitalizado
• Tesseract.js
• MDN, File API