Un PDF llega por correo electrónico. Al abrirlo se revela lo que parece un documento impreso. El texto está ahí, el formato es correcto. Pero ¿se puede seleccionar el texto con el cursor, o el cursor pasa sobre él como si fuera una fotografía? La respuesta determina si el PDF se creó escaneando papel o se generó a partir de una fuente digital, y determina todo lo relacionado con cómo puede trabajar con el archivo.
Al hacer clic en el texto y observar si el cursor lo selecciona o lo ignora, se responde la pregunta en un segundo.
Determinar si un PDF fue escaneado o creado digitalmente implica verificar el texto seleccionable, examinar la estructura del archivo y buscar artefactos visuales reveladores del escaneo. Las herramientas OCR PDF de WukongPDF pueden hacer que los documentos escaneados se puedan buscar, y los pasos de identificación de PDF escaneado a continuación le indican si necesita OCR en primer lugar.
La prueba de selección de texto
Abra el PDF e intente seleccionar una palabra de texto con la herramienta de selección de texto. Si el cursor resalta la palabra carácter por carácter, el PDF contiene texto seleccionable y fue creado digitalmente o ya ha sido sometido a OCR. Si el cursor dibuja un rectángulo de selección en toda el área sin resaltar caracteres individuales, la página es una imagen y el PDF se creó mediante escaneo.
La prueba de selección de texto es rápida y definitiva para comprobaciones de una sola página. Para documentos de varias páginas, pruebe algunas páginas desde el principio, la mitad y el final. Algunos archivos PDF combinan páginas digitales y escaneadas, normalmente una carta de presentación creada digitalmente seguida de archivos adjuntos escaneados. La prueba de selección de texto en cada página revela qué páginas son cuáles.
Pruebe el OCR de PDF
No se necesita instalación. Funciona directamente en su navegador.
Comprobación del tamaño del archivo y el recuento de páginas en busca de pistas
Los PDF escaneados suelen ser más grandes que los PDF digitales con el mismo número de páginas porque cada página es una imagen de página completa. Un PDF escaneado de 10 páginas a 300 ppp suele tener entre 5 y 15 MB. Un PDF digital de 10 páginas del mismo contenido puede tener entre 100 y 500 KB. La diferencia de tamaño del archivo es una pista rápida incluso antes de abrir el archivo.
Los PDF escaneados también tienden a tener menos funciones internas. Sin marcadores, sin hipervínculos, sin fuentes incrustadas, sin metadatos más allá de las propiedades básicas del archivo. Abra Propiedades del documento y marque la pestaña Fuentes. Un PDF escaneado no tiene fuentes en la lista porque todo el contenido son imágenes. Un PDF digital enumera las fuentes utilizadas en el documento.
Comprobación de las propiedades del archivo para el método de creación
Las Propiedades del documento suelen incluir la aplicación que creó el PDF. Un PDF creado por Adobe Acrobat a partir de Microsoft Word probablemente era digital. Se escaneó un PDF creado por Canon Scanner Driver o HP Scan. Un PDF creado por una aplicación OCR puede ser un documento escaneado que ha sido procesado para realizar búsquedas.
El campo productor en Propiedades del documento lo establece la aplicación creadora y no siempre es confiable porque puede modificarse o falsificarse. Combine la información del productor con la prueba de selección de texto y la verificación de fuente para una determinación segura. Tres pruebas independientes que apuntan a la misma conclusión son fiables.
| Prueba | Resultado PDF digital | Resultado del PDF escaneado |
|---|---|---|
| Selección de texto | El cursor resalta caracteres individuales | El cursor dibuja un rectángulo de selección sobre la imagen |
| Tamaño del archivo (10 páginas) | 100-500 KB | 5-15MB |
| Pestaña Fuentes en Propiedades | Muestra fuentes incrustadas | Vacío, sin fuentes |
| Campo productor | Palabra, Acrobat, Chrome | Controlador de escáner, software de imágenes |
Buscando artefactos visuales del escaneo
Haga zoom al 400% en un área de texto. Los archivos PDF escaneados muestran los artefactos característicos de la captura de imágenes: ligero desenfoque en los bordes de los caracteres, oscuridad desigual en la página debido a la iluminación del escáner y motas de polvo o marcas de cabello en el cristal del escáner que aparecen como líneas o puntos tenues. Los archivos PDF digitales muestran bordes de caracteres nítidos en cualquier nivel de zoom.
Los archivos PDF escaneados de páginas de doble cara pueden mostrar texto fantasma, tenuemente invertido, del otro lado del papel, traspasándose. Esta es una señal definitiva de escaneo porque los PDF digitales no tienen concepto de opacidad del papel. El efecto fantasma aparece como una sombra gris de texto detrás del texto principal, más visible en áreas donde el texto principal es escaso.
Usar campos de metadatos PDF para obtener pistas adicionales
Los campos de metadatos del PDF, a los que se puede acceder a través de Propiedades del documento, pueden revelar el origen del documento. Un campo Título que contiene el nombre del archivo del documento original, como Annual-Report-2025-Final.docx, indica que el PDF se creó a partir de ese archivo de Word. Un campo Título vacío o un Título que coincida con el nombre del archivo PDF es neutral. Un campo Creador que incluye Microsoft Word o Google Docs indica origen digital.
Los campos Fecha de creación y Fecha de modificación pueden proporcionar pistas sobre la línea de tiempo. Un PDF creado y modificado en la misma fecha con unos minutos de diferencia sugiere una exportación digital directa. Un PDF con una fecha de modificación años después de la fecha de creación puede haber sido sometido a OCR o procesado. Los metadatos cuentan el historial del documento, y ese historial revela si hubo escaneo involucrado.
Qué hacer una vez que conozca el tipo de PDF
Para archivos PDF escaneados que deben poder buscarse, ejecute OCR para agregar una capa de texto. El proceso de OCR reconoce el texto en las imágenes de la página y agrega texto seleccionable y con capacidad de búsqueda detrás de ellas. La apariencia visual no cambia. El PDF gana capacidad de búsqueda y capacidad de copiar y pegar.
En el caso de archivos PDF digitales que deben parecer escaneados, normalmente para reproducciones de documentos de aspecto oficial, la conversión a imagen y viceversa es innecesaria y degrada la calidad. El PDF digital ya está en su forma óptima. Cualquier procesamiento que convierta texto en imágenes reduce la calidad sin agregar valor.
Pruebe el OCR de PDF
No se necesita instalación. Funciona directamente en su navegador.