PDF escaneado a texto con OCR

Por qué no puedes buscar en un PDF escaneado

Cuando pasas un contrato, una factura o los apuntes de un curso por el escáner, lo que obtienes no es un documento de texto: es una fotografía de cada página metida dentro de un PDF. Tú ves letras, pero para el ordenador solo hay píxeles negros sobre fondo blanco. Por eso, al pulsar Ctrl+F (o ⌘F en Mac) y buscar «importe», el lector responde que no hay coincidencias aunque la palabra esté en mitad de la página. Tampoco puedes seleccionar una frase para copiarla: el cursor arrastra un rectángulo azul sobre la imagen entera.

Hay una forma rápida de saber si tu PDF es de este tipo. Ábrelo e intenta seleccionar una sola palabra con el ratón. Si se resalta la palabra, el PDF ya tiene texto. Si se selecciona la página completa como un bloque, o no se selecciona nada, es un PDF «imagen». Lo mismo pasa con los PDF que genera el móvil cuando fotografías una hoja con la cámara, con los que salen de muchas fotocopiadoras de oficina y con los documentos antiguos que alguien digitalizó hace años.

El OCR (reconocimiento óptico de caracteres) resuelve justo eso. Analiza la imagen, localiza las líneas, identifica cada letra y escribe el texto reconocido en una capa invisible colocada exactamente encima de las palabras de la imagen. El resultado tiene dos partes superpuestas:

• Lo que ves: la imagen original del escaneo, sin tocar. Firmas, sellos, anotaciones a mano y manchas siguen ahí.
• Lo que el ordenador lee: el texto reconocido, transparente, alineado con cada palabra. Es lo que usa el buscador del lector, lo que se copia al seleccionar y lo que indexan Spotlight, el buscador de Windows o un gestor documental.

Esto importa por una razón práctica: el documento se ve igual que antes. El OCR no redibuja las letras ni cambia la tipografía, así que un contrato firmado conserva su aspecto y su valor como copia fiel. Si el reconocimiento se equivoca en una palabra, el error queda en la capa invisible (afecta a la búsqueda y a lo que copias), pero la imagen que lee una persona sigue siendo la del papel.

Cómo escanear para que el OCR reconozca bien el texto

La calidad del OCR se decide antes de abrir ningún programa, en el momento de escanear. El motor de reconocimiento solo puede leer lo que la imagen deja ver. Estos son los ajustes que más cambian el resultado:

1. 300 ppp de resolución. Es el estándar para texto de cuerpo normal. A 150 ppp las letras de 10 puntos tienen tan pocos píxeles que la «e» y la «c», o el «1» y la «l», se confunden. Subir a 600 ppp solo compensa con letra muy pequeña (notas al pie, la letra menuda de las pólizas); en lo demás multiplica el peso del archivo sin mejorar la lectura.
2. Escala de grises mejor que blanco y negro puro. El modo de 1 bit del escáner decide por su cuenta qué es tinta y qué es papel, y con papel amarillento o tinta gastada rompe los trazos finos. En grises, el motor de OCR toma esa decisión con más información. El color solo hace falta si hay subrayados o sellos que quieres conservar.
3. Página recta. Coloca la hoja pegada al borde del cristal. Una inclinación pequeña ya desordena las líneas largas, porque el motor sigue la línea de texto y puede saltar a la de abajo a mitad de frase.
4. Contraste limpio. Sin brillo excesivo que se coma los trazos ni oscuridad que rellene las «a» y las «o». Si el escáner tiene corrección automática, prueba una página con ella y otra sin ella.
5. Sin la sombra del lomo. En libros y cuadernos encuadernados, la zona del lomo sale curvada y oscura, y las palabras de esa franja son las primeras que fallan. Presiona el libro contra el cristal con la tapa abierta o, si es posible, escanea las páginas sueltas.

Si escaneas con el móvil, las reglas son las mismas en otro formato: luz uniforme (de día y cerca de una ventana, sin flash), el móvil paralelo a la hoja y la página llenando el encuadre. Si tienes las fotos sueltas, puedes juntarlas primero con convertir JPG a PDF y aplicar el OCR al documento resultante.

Lo que peor sale, aunque escanees bien: el texto muy pequeño (por debajo de 7 u 8 puntos), las tablas, la letra manuscrita y las tipografías decorativas. Con las tablas el problema no suele ser leer cada celda, sino el orden: el texto reconocido puede quedar fila a fila o columna a columna, y al copiarlo pierdes la estructura. Para buscar una cifra dentro de una tabla sirve; para reconstruir la tabla en una hoja de cálculo, cuenta con tener que repasarla.

Una advertencia sobre un consejo muy repetido: «pasa la imagen por un filtro de nitidez antes del OCR». Con un escaneo a 300 ppp normalmente no hace falta, y con un escaneo a muy baja resolución tampoco salva el resultado, porque el detalle de la letra no está en el archivo. Si la página es ilegible para ti al 100 % de zoom, lo eficaz es volver a escanearla, no retocarla.

OCR de PDF gratis en el ordenador, sin subir el documento

Airpic PDF es la aplicación de escritorio de Airpic para trabajar con PDF, para Mac y Windows, gratis y sin cuenta. Su función de OCR funciona entera en tu ordenador: el documento no se sube a ningún servidor, ni al nuestro ni al de nadie. Para el escaneo de un DNI, una nómina, un informe médico o un contrato, es la diferencia entre procesarlo en tu equipo y mandarlo a una web que no sabes qué hace con él.

El motor de reconocimiento depende del sistema:

• En Mac, Airpic PDF usa el reconocimiento de texto que trae el propio sistema operativo (el mismo que permite seleccionar texto en las fotos). No hay nada extra que descargar.
• En Windows, usa un motor de OCR de código abierto entrenado para el alfabeto latino, que va incluido en la instalación. Tampoco necesita conexión para reconocer.

Qué idiomas cubre. Lo que podemos garantizar en los dos sistemas es el alfabeto latino con sus acentos y signos: el español con la ñ, la ü y los signos de apertura, y el resto de idiomas que se escriben con ese alfabeto, como el inglés, el francés, el alemán, el portugués o el italiano. Qué no cubre: los documentos en otros alfabetos (cirílico, griego, árabe, hebreo) y las escrituras de Asia oriental, como el chino o el japonés, quedan fuera de lo que prometemos. En Windows el motor latino no está hecho para ellos; en Mac dependerá del reconocimiento del sistema, así que pruébalo con una página antes de procesar un documento largo.

Requisitos: Mac con macOS 12 o posterior, o Windows 10 u 11. Los instaladores todavía no están firmados con certificado, de modo que la primera vez el sistema muestra un aviso de seguridad; en la página de Airpic PDF tienes los pasos para abrirlo y cómo comprobar que el archivo descargado es el original.

Reconocer texto de un PDF escaneado: qué revisar después

Ningún OCR acierta todas las letras, y los fallos no se reparten al azar: se concentran en lo que el motor no puede deducir por el contexto. Antes de fiarte del texto reconocido, revisa estas tres cosas:

• Nombres propios. Apellidos, nombres de calles y de empresas no están en ningún diccionario, así que el motor no puede apoyarse en el contexto para corregirse. Una «rn» puede leerse como «m», y una «ñ» poco marcada, como «n».
• Cifras. Es el error más caro. El 1 y la l minúscula, el 0 y la O, el 5 y la S, el 8 y la B se confunden con facilidad, y un importe de una factura o un número de cuenta no tiene redundancia que delate el fallo. También las comas y los puntos decimales.
• Fechas. Combinan cifras con barras o puntos que el motor puede leer como letras, y un 3 tomado por un 8 cambia el mes o el año.

La comprobación rápida. Elige una palabra que sabes con seguridad que aparece en el documento, mejor si es poco común: el apellido del titular, el nombre de la calle, un término técnico. Búscala con Ctrl+F o ⌘F. Si el lector la encuentra y la resalta en el sitio correcto, el OCR está funcionando y la capa está bien alineada. Repite con una cifra concreta (un importe, un número de expediente) y con una palabra de la página de peor calidad, por ejemplo una cerca del lomo o junto a una mancha.

Si una búsqueda falla, prueba con un fragmento de la palabra (las cuatro primeras letras): así sabes si es un error de una letra o si esa zona no se reconoció. Cuando falla una página entera, el problema casi siempre está en el escaneo, no en el motor: vuelve al apartado anterior, escanéala de nuevo a 300 ppp y recta, y repite el OCR.

Ten en cuenta para qué vas a usar el texto. Para hacer un PDF buscable y encontrar documentos en tu archivo, un error de una letra de vez en cuando no importa: la palabra que buscas suele aparecer en más sitios del documento. Para copiar datos a una hoja de cálculo, a un formulario o a un contrato nuevo, revisa cada cifra a mano contra la imagen.

Hacer un PDF buscable paso a paso con Airpic PDF

Este es el proceso completo para reconocer el texto de un PDF escaneado con Airpic PDF, desde la descarga hasta tener un documento en el que puedes buscar y copiar:

1. Descarga e instala Airpic PDF para tu sistema desde su página. En Mac, si aparece el aviso de que no se puede verificar el desarrollador, ábrelo desde Ajustes del Sistema, Privacidad y seguridad, «Abrir igualmente». En Windows, si sale la pantalla azul de SmartScreen, pulsa «Más información» y después «Ejecutar de todas formas».
2. Abre el PDF escaneado desde la aplicación o arrastrándolo a su ventana. Verás las miniaturas de las páginas a un lado. Comprueba que están todas y en orden; si alguna está del revés o sobra, corrígelo antes con organizar las páginas del PDF, porque el OCR reconoce mejor una página derecha.
3. Pulsa «OCR». La aplicación te pide confirmar que quieres procesar todas las páginas. Si solo necesitas texto en unas pocas (por ejemplo, las dos páginas de un contrato con los datos), selecciónalas antes en las miniaturas: tardará menos.
4. Espera a que termine. El tiempo depende del número de páginas y de tu ordenador, porque todo el trabajo se hace en tu equipo. Las páginas no cambian de aspecto: la capa de texto no se ve.
5. Guarda el documento. A partir de aquí el PDF es buscable en cualquier lector: el que trae tu sistema, el navegador o el del móvil.
6. Comprueba el resultado buscando una palabra que sabes que está, como se explica en el apartado anterior.

Si además necesitas editar el texto, el OCR es el primer paso, no el último: un PDF buscable sigue siendo una imagen con texto encima, y no puedes cambiar una frase de la imagen. Con el OCR ya hecho, usa convertir PDF a Word: pulsa «Exportar» y elige «Word (.docx)». El documento de Word contendrá el texto reconocido, que ya puedes corregir y reescribir en Word, LibreOffice o Google Docs. Si solo quieres el texto sin formato, la misma opción «Exportar» ofrece texto plano (.txt). Ojo: en páginas con columnas, cajas o tablas complejas la maquetación del Word puede no quedar idéntica al original, así que revísala.

Y si el PDF escaneado pesa demasiado para enviarlo por correo, puedes comprimir el PDF después del OCR para reducir las imágenes de las páginas. Para empezar, descarga la aplicación y prueba el OCR de PDF gratis con una página que conozcas bien.

FAQ

Seguir leyendo