OCR y reconocimiento de PDF — de escaneo a PDF buscable, extracción de texto y tablas
OCR y reconocimiento de PDF
OCR de PDF en línea, gratis — convierta PDF escaneados en PDF buscables, extraiga texto con OCR y cree PDF buscables a partir de imágenes. Todo se ejecuta en su navegador. También: Editor de PDF | Seguridad | Comprimir | Utilidades.
Nota de rendimiento: el OCR descarga unos 12 MB de datos de idioma en el primer uso. El procesamiento consume mucha CPU y se hace por completo en su navegador. Para documentos grandes (más de 10 páginas), espere varios minutos de procesamiento. Los resultados dependen de la calidad del escaneo y del idioma.
0%
0%
0%
0%
Escaneo→buscable: renderiza cada página del PDF como imagen, ejecuta el OCR para reconocer el texto y crea un PDF nuevo con una capa de texto invisible sobre la imagen de la página. El PDF resultante es buscable y seleccionable.
Imagen→PDF: toma una o varias imágenes, ejecuta el OCR en cada una y crea un PDF con cada imagen como página y el texto reconocido como superposición invisible. Perfecto para fotos de documentos.
Texto por OCR: acepta un archivo PDF o de imagen. En los PDF, renderiza cada página como imagen y ejecuta el OCR. Muestra el texto reconocido para que lo copie. Ideal para extraer texto de documentos escaneados.
Extraer tabla: renderiza la página del PDF como imagen, ejecuta el OCR sobre ella e intenta identificar la estructura de tablas a partir de las posiciones del texto. Los resultados son aproximados: las tablas complejas pueden no reconstruirse con exactitud. Para tablas precisas, use herramientas de extracción específicas.
¿Qué es el OCR?
Un PDF escaneado es, en esencia, una fotografía de una página: para la computadora es una cuadrícula de píxeles, y nada de eso es texto. El OCR (reconocimiento óptico de caracteres) es la tecnología que observa esos píxeles y deduce qué caracteres representan. El resultado puede ser texto plano que copia (modo Texto por OCR) o una capa de texto invisible colocada sobre la imagen de la página (modos Escaneo→buscable e Imagen→PDF), que es lo que hace que un documento escaneado sea buscable en cualquier visor de PDF.
La versión de una línea: el OCR adivina el texto a partir de las formas de la tinta. Es reconocimiento, no lectura — la salida es una mejor suposición con una puntuación de confianza, no la verdad de referencia que contiene un PDF nativo creado digitalmente.
La canalización del OCR
Todos los motores de OCR siguen más o menos las mismas etapas. Primero, la página se renderiza a imagen (en los PDF, cada página se rasteriza). Después viene la binarización: los píxeles se clasifican como tinta o papel, de modo que el motor trabaja con formas en blanco y negro. Las formas se segmentan en líneas, palabras y caracteres individuales. Por último, cada candidato se clasifica — los motores modernos usan redes neuronales entrenadas que miran líneas de texto completas en lugar de letras sueltas, por eso manejan mucho mejor la entrada borrosa o ligeramente inclinada que los antiguos comparadores de caracteres. El idioma también importa: el motor usa diccionarios y conjuntos de caracteres específicos del idioma, por eso elegir el idioma correcto en el selector de arriba mejora la precisión.
La capa de texto invisible
Un «PDF buscable» son dos cosas apiladas: la imagen original de la página que ve, más una capa de texto invisible colocada detrás. Al seleccionar texto en su visor, en realidad selecciona esa capa oculta. Nada del escaneo visible se altera — la imagen no se toca, así que la calidad y el aspecto nunca cambian. La contrapartida es que copiar y pegar y los resultados de búsqueda solo son tan precisos como la pasada de OCR de debajo. Si una palabra se reconoció mal, buscar la ortografía correcta no la encontrará, porque la capa oculta contiene el error.
Por qué los PPP lo deciden todo
La precisión del reconocimiento depende de cuántos píxeles tiene cada carácter. Las páginas de PDF se maquetan en puntos (72 por pulgada), pero un carácter de 10 pt renderizado con baja resolución se reduce a unos cuantos píxeles — a 150 PPP un carácter de 10 pt mide solo unos 21 píxeles de alto, y a 300 PPP unos 42 píxeles. Por debajo de unos 20 píxeles, las serifas se cierran, las letras se emborronan y la precisión cae bruscamente. Por eso la norma clásica de escaneo es 300 PPP para OCR: da a cada carácter pequeño suficiente detalle de píxel sin desperdiciar tamaño de archivo. Subir mucho más rara vez ayuda al reconocimiento — sobre todo hace el escaneo más grande y el OCR más lento.
Para qué no es bueno el OCR
La escritura a mano, las fuentes decorativas y el texto sobre fondos recargados siguen siendo puntos débiles. Las tablas son un caso especial: el OCR ve caracteres y sus posiciones, pero no entiende de verdad filas y columnas — el modo Extraer tabla infiere la estructura a partir de la alineación, por eso las tablas complejas salen aproximadas. Y si un PDF ya contiene texto real (se exportó desde Word, no se escaneó), no necesita OCR en absoluto: el texto se puede extraer directamente, con más precisión, con las herramientas de exportación de PDF.
Ideas erróneas habituales
«Un PDF buscable es igual que un PDF creado desde Word». No — la capa de texto es texto reconocido sin más. Al copiar un párrafo puede perderse la maquetación, y cualquier error de reconocimiento queda incorporado en la capa oculta.
«El OCR recupera el texto original». Reconstruye una mejor suposición de él. Una página con un 99% de precisión sigue teniendo aproximadamente un carácter erróneo por cada 100 — bien para buscar, arriesgado para contenido legal o numérico.
«Más PPP siempre es mejor». Por encima de unos 400–600 PPP las mejoras de precisión son despreciables, mientras que el tamaño del archivo y el tiempo de procesamiento siguen subiendo. 300 PPP es el punto óptimo para documentos típicos.
«Las fotos con el móvil funcionan igual de bien que los escaneos». La inclinación, la iluminación desigual y las vibraciones de la cámara reducen la precisión. Fotografíe la página plana, de frente y bien iluminada — o use un escáner real para documentos importantes.
