Un PDF con capacidad de búsqueda es aquel en el que el texto se almacena como caracteres reales en el archivo en lugar de como una imagen. Cuando presiona Ctrl+F y escribe una palabra, el espectador puede encontrarla. Cuando selecciona texto y lo copia, se copian caracteres reales. Para los PDF creados digitalmente, esto es automático. Para PDFs escaneados, necesita OCR para agregar la capa de texto.
Cómo saber si un PDF ya se puede buscar
Abra el PDF e intente seleccionar una palabra haciendo clic y arrastrando. Si se resaltan palabras individuales y puede copiarlas, el PDF ya tiene una capa de texto: se puede buscar. Si al hacer clic se dibuja una selección rectangular sobre toda el área en lugar de seleccionar palabras específicas, la página se almacena como una imagen sin capa de texto. Ahí es cuando necesitas OCR.
Ejecutando OCR para agregar una capa de texto
La herramienta OCR PDF de WukongPDF procesa los PDFs escaneados en el navegador y devuelve una versión donde el texto se reconoce y se incrusta junto con la imagen escaneada original. La página parece idéntica (misma apariencia visual, misma calidad de escaneo), pero Ctrl+F ahora encuentra palabras y el texto se puede seleccionar y copiar. Cargue el PDF escaneado, ejecute OCR y descargue la versión con capacidad de búsqueda.
Adobe Acrobat Pro también tiene un potente motor OCR en Herramientas → Escanear y escanear. OCR → Reconocer texto. Su precisión en escaneos difíciles (texto descolorido, fuentes inusuales, escrituras no latinas) es generalmente mejor que la de las herramientas de navegador, aunque para el texto impreso estándar la diferencia es pequeña. Si está procesando grandes volúmenes de documentos donde la precisión es importante, vale la pena invertir en OCR de Acrobat.
Precisión de OCR y soporte de lenguaje
La precisión del OCR depende en gran medida de la calidad del escaneo. Un escaneo limpio y de alto contraste de un documento impreso profesionalmente a 200 DPI o más generalmente convierte con una precisión de caracteres del 98-99%, esencialmente libre de errores para fines prácticos. Una fotocopia descolorida, un escaneo realizado en ángulo o un documento con anotaciones escritas a mano tendrán más errores que necesitarán corrección manual.
La mayoría de las herramientas de OCR detectan el idioma del documento automáticamente y utilizan modelos específicos del idioma para mejorar la precisión. Si un documento constantemente no reconoce determinados caracteres, verifique si el idioma se detecta correctamente; forzar el idioma correcto en la configuración de OCR a menudo hace una diferencia notable, especialmente para documentos con caracteres acentuados o escrituras no latinas.
Hacer un PDF con capacidad de búsqueda para archivado a largo plazo
Las organizaciones que digitalizan archivos en papel a menudo hacen de la capacidad de búsqueda el objetivo principal: la capacidad de encontrar un documento o cláusula específica en miles de archivos años después. Para este caso de uso, la salida de OCR debe guardarse en un formato diseñado para su conservación a largo plazo. PDF/A-3 admite capas de texto incrustadas junto a la imagen de la página y es el estándar de archivo diseñado específicamente para archivos de documentos con capacidad de búsqueda. Ejecutar OCR y luego convertir a compresión PDF con configuración de archivo garantiza tanto la capacidad de búsqueda como la estabilidad del formato a largo plazo.
Incluso el OCR imperfecto es significativamente mejor que ningún OCR para fines de archivado. Aún se puede realizar búsquedas en un documento con una precisión de caracteres del 95 %: una búsqueda de "factura" encontrará la mayoría de las facturas incluso si se leyeron mal algunos caracteres de algunas palabras. El OCR perfecto es ideal; El OCR funcional sigue siendo mucho más útil que un escaneo sin ninguna capa de texto.