OCR de PDF

Cuando un PDF es en realidad solo una imagen de texto

Un contrato escaneado, el recibo de una foto guardada como PDF, un documento antiguo digitalizado hace años: todos parecen texto en pantalla, pero para un ordenador son solo imágenes, sin ninguna capa de texto que seleccionar, buscar o copiar. El reconocimiento óptico de caracteres, OCR, lee visualmente la forma de las letras y las convierte de vuelta en texto real, el mismo trabajo que hace una app de escáner de documentos en un móvil.

Cómo funciona

Cada página del PDF se dibuja como una imagen a una resolución buena para leer texto pequeño, y un motor de reconocimiento de texto, que se ejecuta por completo en tu dispositivo, lee las letras y palabras de esa imagen. El texto reconocido de todas las páginas se combina en un solo bloque que puedes copiar, buscar o descargar.

La primera vez tarda un poco más

El motor de reconocimiento y sus datos de idioma, unos pocos megabytes, se descargan la primera vez que usas esta herramienta o la de extraer texto de imagen, y tu navegador los conserva después. Esto significa que la primera página tarda más que el resto mientras termina esa descarga; las páginas siguientes van más rápido.

Conseguir un buen resultado

La precisión del OCR depende mucho de la calidad del escaneo: uno claro, de buena resolución y bien iluminado, con el texto recto y sin girar, se lee mucho mejor que una foto borrosa tomada en ángulo. Si el documento de origen está torcido, la herramienta de enderezar puede ayudar antes de pasar el OCR. La escritura a mano se lee mucho menos fiable que el texto impreso, y hay que esperar algún error en cualquier origen, así que revisa siempre el resultado en lugar de confiar ciegamente en él para algo importante.

Lo que no hace

Esto te da el texto, no un PDF buscable con las imágenes originales y una capa de texto invisible añadida de vuelta, un formato de archivo más complejo de construir de lo que puede producir razonablemente una herramienta de navegador. Lee lo que es visible y devuelve solo texto. Todo se ejecuta en tu navegador: las imágenes de tu PDF nunca se suben a ningún sitio.