¿Cómo hago que un PDF escaneado se pueda buscar?
Un PDF escaneado es un montón de fotos. Tú puedes leerlo, pero tu computadora no: la búsqueda no encuentra nada y, al intentar seleccionar texto, se agarra la página entera como imagen. El OCR lo resuelve reconociendo las letras de cada página y guardándolas como texto que la computadora entiende.
Elige tu archivo, marca los idiomas impresos en él y deja PDF buscable como resultado. La herramienta dibuja cada página en alta resolución, reconoce el texto y coloca una capa de texto invisible exactamente sobre las palabras de la página original. El resultado se abre en cualquier lector de PDF. Se ve idéntico a tu escaneo, pero ahora funcionan la búsqueda, la selección y el copiado, y el buscador de archivos de tu computadora lo puede encontrar por su contenido.
Las páginas que ya tienen texto real, por ejemplo una portada escrita en computadora dentro de un archivo escaneado, se dejan como están, así nunca obtienes las mismas palabras dos veces.
Consejo: Marca solo los idiomas que de verdad aparecen en el documento. Cada idioma extra hace el reconocimiento un poco más lento y le da al motor más oportunidades de adivinar mal una palabra.
¿Cómo convierto un PDF escaneado a texto?
Elige Archivo de texto (.txt) como resultado. Obtienes un solo archivo de texto plano con las palabras de todas las páginas, separadas por una línea en blanco entre página y página. Es práctico cuando necesitas citar una carta escaneada, traducir un documento o pasar cifras de un informe viejo a una hoja de cálculo.
Si quieres un documento editable que conserve el diseño, el siguiente paso es convertir el PDF buscable a Word. Para archivos que nunca se escanearon, como un PDF exportado desde Word, el OCR no hace falta: extraer el texto directamente es más rápido y exacto.
¿Qué tan preciso es el OCR con escaneos y fotos del celular?
Con un escaneo limpio y derecho de texto impreso, el reconocimiento suele ser muy bueno. La precisión baja cuando la entrada es difícil de leer, así que conviene saber con qué batalla el motor:
- Resolución baja. Escanea a 300 DPI. El texto que se ve borroso al hacer zoom se va a adivinar.
- Páginas inclinadas o curvas. Las fotos de un libro abierto o una toma chueca con el celular confunden la detección de líneas. Endereza la página primero.
- Letra a mano. El motor está entrenado con letra impresa. La letra de molde clara puede funcionar; la letra cursiva casi nunca.
- Sellos, marcas de agua y fondos de color. El texto encima de ellos es más difícil de separar del fondo.
- Tablas y varias columnas. Las palabras se encuentran, pero en un archivo .txt el orden de lectura puede saltar entre columnas.
Revisa siempre nombres, números e importes en el resultado antes de confiar en ellos, sobre todo en un estado de cuenta, una factura o una constancia de situación fiscal.
¿Es seguro aplicar OCR a documentos confidenciales en línea?
Aquí sí, porque el documento nunca se sube. La mayoría de los servicios de OCR en línea envían tu archivo a un servidor, hacen el reconocimiento allá y guardan una copia por un tiempo. Esta página, en cambio, descarga el motor de reconocimiento y los datos del idioma a tu navegador, y todo el trabajo se hace en tu propio celular o computadora.
Puedes comprobarlo: abre las herramientas de desarrollador de tu navegador en la pestaña Red mientras aplicas el OCR. Verás llegar los archivos del motor la primera vez, pero tu PDF nunca se envía a ningún lado. Eso importa con los papeles que la gente suele escanear: identificaciones, declaraciones de impuestos, estados de cuenta, informes médicos y contratos firmados.
¿Qué idiomas puedo reconocer?
Hay diecisiete idiomas disponibles (mira la lista en la herramienta), y puedes marcar varios para documentos que los mezclan, como un contrato en español con cláusulas en inglés o una factura en inglés dirigida a una empresa en Monterrey o Madrid. Los modelos son las versiones precisas “best” de los datos de idioma de Tesseract, empaquetadas en un formato entero más pequeño, así que se descargan rápido y siguen siendo exactos.