Un PDF escaneado muestra texto que puede leer con los ojos pero no puede hacer clic, seleccionar, copiar ni buscar. Esto se debe a que el "texto" es en realidad una fotografía: píxeles dispuestos para que parezcan letras. Para que el texto sea seleccionable es necesario ejecutar OCR, que lee la imagen y agrega una capa de texto real al documento. Después del OCR, el PDF parece idéntico pero el texto se puede copiar, buscar y acceder.
Qué hace el OCR en un PDF escaneado
OCR (reconocimiento óptico de caracteres) analiza los patrones de píxeles en cada imagen de página, identifica formas que corresponden a letras y números y crea una capa de texto oculta colocada para alinearse con los caracteres visibles. Después del procesamiento OCR PDF, el documento tiene dos capas: la imagen escaneada original (sin cambios, aún visible) y una capa de texto debajo que los espectadores usan al seleccionar o buscar.
La apariencia visual del documento no cambia: el escaneo tiene un aspecto idéntico antes y después del OCR. Lo que cambia es la funcionalidad del documento: el texto se puede seleccionar carácter por carácter, la búsqueda Ctrl+F funciona, copiar y pegar produce texto real en lugar de nada y los lectores de pantalla pueden leer el contenido en voz alta.
Usando la herramienta OCR de WukongPDF
WukongPDF en www.wukongpdf.com maneja OCR en el navegador sin instalación de software. Cargue el PDF escaneado, seleccione el idioma del documento para una mayor precisión de reconocimiento, procese y descargue el resultado de la búsqueda. El archivo convertido es un PDF estándar con una capa de texto, compatible con todos los visores de PDF.
Después de la descarga, pruebe inmediatamente: abra el PDF, presione Ctrl+F y busque una palabra que pueda ver en la primera página. Si lo encuentra, el OCR funcionó. Intente seleccionar y copiar una oración; el texto pegado debe coincidir con lo que ve. Si no encuentra nada o el texto copiado parece incorrecto, el OCR tuvo problemas de precisión, probablemente debido a la calidad del escaneo.
Escaneos mejorados de Adobe Acrobat
Adobe Acrobat Pro y Acrobat Standard incluyen una función de OCR dedicada llamada Mejorar escaneos. Abra el PDF escaneado, vaya a Herramientas > Mejorar escaneos > Reconocer texto > En este archivo. Configure el idioma del documento y haga clic en Reconocer texto. Acrobat procesa las páginas y agrega la capa de texto. Para documentos de varias páginas, Acrobat procesa todas las páginas en una sola operación.
Acrobat también ofrece la opción "Hacer búsquedas". opción que es ligeramente diferente del OCR completo: agrega una capa de texto sin intentar reconstruir la estructura del documento. Para la mayoría de los propósitos, es preferible la opción estándar Reconocer texto, ya que produce un Escaneado PDF correctamente estructurado con una ubicación precisa del texto.
Qué afecta la precisión del OCR
La precisión del OCR está directamente relacionada con la calidad del escaneo. El mismo documento bien escaneado produce resultados casi perfectos; escaneado mal produce errores que requieren corrección manual.
- Resolución: 300 DPI es el mínimo para un OCR confiable. Por debajo de 200 DPI se esperan errores frecuentes, especialmente en texto pequeño. 600 DPI mejora la precisión pero produce archivos grandes.
- Contraste: texto negro claro sobre papel blanco escaneado con una precisión casi perfecta. La tinta descolorida, el papel de color o el bajo contraste producen más errores.
- Skew: páginas escaneadas en un ángulo significativo producen más errores. Las herramientas modernas de OCR incluyen corrección de inclinación para corregir una inclinación leve, pero los ángulos severos degradan la precisión.
- Tipo de fuente: Los tipos de letra impresos estándar en fuentes comunes (Times, Arial, Helvetica) se reconocen con precisión. Las fuentes decorativas, manuscritas o muy pequeñas producen más errores.
Después del OCR: revisar antes de confiar en el texto
El OCR no es perfecto: incluso los escaneos de alta calidad producen errores de reconocimiento ocasionales. Los errores comunes incluyen confundir 0 con O, 1 con l, rn con m y leer mal los caracteres cerca de los bordes de la página. Para un documento donde la precisión es importante (un contrato, un estado financiero, una presentación legal), revise el resultado del OCR con el original antes de confiar en él.
En Acrobat Pro, la función Buscar y buscar. La función de reemplazo puede ayudar a localizar errores comunes de OCR de forma sistemática. Busque "0" y verifique cada resultado para ver si alguno debería ser "O", o viceversa. Para documentos críticos, una revisión completa del escaneo original es la única forma de garantizar la precisión. Para un uso de referencia general (hacer que un archivo pueda buscarse, extraer texto para análisis), una verificación rápida suele ser suficiente.