Cómo hacer buscable un PDF escaneado: el OCR explicado

Por qué un escaneo no tiene texto

Cuando escaneas o fotografías una página, el resultado es una imagen — una rejilla de píxeles que resulta parecer texto a tus ojos. Para un ordenador no hay letras ni palabras en esa imagen en absoluto, solo puntos claros y oscuros. Por eso no puedes seleccionar una frase, copiar un párrafo ni usar Buscar para saltar a una palabra: no hay nada que seleccionar, porque el texto no existe como texto.

Esto pilla a la gente constantemente. Un PDF que viene de un escáner o una foto de móvil se ve exactamente igual que uno exportado desde un procesador de textos, pero los dos son completamente distintos por dentro. Uno es texto maquetado en una página; el otro es una foto de texto. Todo lo que hace cómodo a un documento digital — buscar, copiar, reflujo, extracción — depende de que haya texto real, y un escaneo no tiene ninguno.

Qué hace realmente el OCR

El reconocimiento óptico de caracteres es la tecnología que lee la imagen como lo haces tú. Examina las formas de la imagen, las compara con los patrones de letras y palabras que ha aprendido y produce texto real a partir de ellas. El OCR moderno usa modelos entrenados — en Pdfect, modelos para inglés y español — que reconocen los caracteres con alta precisión en material impreso limpio.

La parte ingeniosa es lo que ocurre con ese texto reconocido. En lugar de sustituir tu escaneo, una buena herramienta de OCR añade el texto como una capa invisible posicionada exactamente sobre las palabras correspondientes de la imagen. La página sigue viéndose idéntica — ves tu escaneo original — pero debajo, alineado con precisión con lo que ves, hay texto seleccionable y buscable. Eso es un «PDF buscable».

Por qué merecen la pena los PDF buscables

Una vez que un escaneo es buscable, deja de ser un callejón sin salida. Puedes buscar una única cifra en un informe escaneado de 200 páginas. Puedes copiar una cita de una carta antigua en vez de reteclearla. Puedes extraer todo el texto para reutilizarlo en otro sitio. Para cualquiera con un archivo de documentos escaneados — una empresa, un investigador, un archivador doméstico convertido en PDF — el OCR es la diferencia entre un montón de imágenes y una biblioteca de verdad utilizable.

Cómo hacerlo de forma privada

Aquí está la trampa de la mayoría de herramientas de OCR: para leer tu documento, lo suben a un servidor. Eso es un problema real, porque los documentos que la gente más quiere hacer buscables suelen ser los sensibles — contratos, informes médicos, extractos financieros, papeles legales. Entregarlos a un servicio anónimo para ganar capacidad de búsqueda es un mal trato.

Pdfect ejecuta el OCR íntegramente en tu navegador usando un motor en WebAssembly, con los modelos de idioma servidos desde la web y cacheados en tu dispositivo. Nada se sube, así que la privacidad de un contrato escaneado se preserva incluso mientras lo haces buscable. Tras la primera vez los modelos quedan cacheados, y el OCR sigue funcionando aunque no haya conexión a internet.

Conseguir el resultado más preciso

La precisión del OCR depende mucho de la calidad del escaneo. Unos cuantos hábitos marcan una gran diferencia:

• Escanea a 150 DPI o más — las imágenes de muy baja resolución dan al motor demasiado poco con lo que trabajar.
• Mantén las páginas rectas; los escaneos muy torcidos o girados reducen la precisión. Gíralos primero si hace falta.
• Elige el idioma correcto, o ambos idiomas para un documento bilingüe.
• Prioriza un buen contraste — los escaneos tenues o lavados son más difíciles de leer. Reescanear más oscuro puede ayudar.
• Recuerda que el OCR lee texto impreso con fiabilidad, pero la escritura a mano es un problema distinto y mucho más difícil.