Un PDF compilado a partir de múltiples fuentes a menudo contiene una combinación de páginas de imágenes escaneadas y páginas de texto creadas digitalmente. Las primeras diez páginas son texto digital nítido procedente de la exportación de un informe. Las cinco siguientes son imágenes escaneadas de notas escritas a mano. El apéndice es una mezcla de ambos. Este documento híbrido crea desafíos de procesamiento: el OCR solo funciona en las páginas escaneadas, las configuraciones de compresión que son adecuadas para el texto digital son incorrectas para las imágenes escaneadas y las herramientas de búsqueda encuentran contenido en algunas páginas pero no en otras.
Manejar bien archivos PDF mixtos significa tratar cada tipo de página de manera adecuada sin dividir el documento en archivos separados. Esta guía cubre cómo identificar qué páginas necesitan qué tratamiento, cómo aplicar operaciones de forma selectiva y cómo producir una salida unificada que permita realizar búsquedas, tenga un tamaño razonable y una apariencia consistente.
Según un análisis de 2024 realizado por la empresa de gestión de documentos M-Files, los archivos PDF combinados escaneados y digitales representan aproximadamente el 22 por ciento de todos los archivos PDF en los repositorios de documentos corporativos (M-Files, "Enterprise Document Composition Analysis", 2024). El formato híbrido es común porque los documentos se recopilan a partir de diversas fuentes. El desafío del procesamiento es estándar.
Identificar qué páginas son cuáles
La forma más rápida de identificar páginas escaneadas es intentar seleccionar texto. Abra el PDF y arrastre el cursor por el texto de una página. Si el texto resalta y puedes copiarlo, la página es digital. Si no puede seleccionar palabras individuales y el cursor selecciona la página completa como una imagen, se escanea la página. Revise el documento página por página y observe qué páginas se escanean. Esto toma un minuto para un documento típico y le indica exactamente qué páginas necesitan OCR.
Para documentos con muchas páginas, un método más rápido es buscar una palabra común como o y. Los resultados de la búsqueda solo coincidirán en páginas digitales. Las páginas que no coinciden son las escaneadas. El paso de identificación PDF escaneado es esencial porque aplicar un procesamiento incorrecto a un tipo de página produce malos resultados. Comprimir las páginas escaneadas de manera demasiado agresiva hace que el texto sea ilegible. No realizarles OCR hace que el contenido sea invisible para la búsqueda.
Pruebe el OCR de PDF
No se necesita instalación. Funciona directamente en su navegador.
OCR selectivo: procesar solo las páginas escaneadas
Ejecutar OCR en páginas digitales es un desperdicio y, de hecho, puede degradar la calidad al agregar una segunda capa de texto que puede entrar en conflicto con el original. El enfoque correcto es ejecutar OCR solo en las páginas escaneadas y dejar intactas las páginas digitales. Algunas herramientas de OCR basadas en navegador admiten la selección de páginas, lo que le permite especificar un rango de páginas o seleccionar páginas individuales para el procesamiento de OCR.
Si su herramienta no admite OCR selectivo, divida el PDF en secciones escaneadas y digitales, realice OCR solo en las secciones escaneadas y luego vuelva a fusionar todo. Los pasos adicionales de división y fusión añaden unos minutos al flujo de trabajo, pero producen un mejor resultado que ejecutar OCR indiscriminadamente. Las herramientas OCR PDF de WukongPDF y la funcionalidad de combinación respaldan este enfoque selectivo.
Estrategias de compresión para documentos mixtos
Una única configuración de compresión aplicada a un documento mixto produce resultados desiguales. La configuración adecuada para las imágenes escaneadas, normalmente una compresión moderada para preservar la legibilidad del texto, es demasiado conservadora para las páginas de texto digitales, que se pueden comprimir de forma más agresiva sin pérdida visible de calidad. La configuración adecuada para el texto digital hace que las páginas escaneadas sean ilegibles.
La solución es la misma estrategia de dividir el proceso y fusionar: separar las secciones escaneadas y digitales, comprimir cada una con la configuración adecuada a su tipo de contenido y volver a combinarlas. El flujo de trabajo de PDF Tools para documentos mixtos consta de más pasos que procesar un documento uniforme, pero la calidad de salida justifica el esfuerzo adicional. Un documento mixto procesado con configuraciones uniformes tendrá páginas digitales abultadas o páginas escaneadas ilegibles.
Cuándo rendirse y mantenerlos separados
Para algunos documentos mixtos, el enfoque de división, proceso y fusión produce un resultado técnicamente correcto pero visualmente inconsistente. Las páginas escaneadas y las páginas digitales procesadas de manera diferente tendrán un aspecto diferente en el documento final. Si la coherencia visual es más importante que tener un solo archivo, mantenga las secciones escaneadas y digitales como archivos PDF separados. El destinatario recibe dos archivos que parecen coherentes en lugar de un archivo que parece no coincidir. La decisión de PDF Tools es práctica, no dogmática.
Pruebe el OCR de PDF
No se necesita instalación. Funciona directamente en su navegador.