Qué es un PDF escaneado y en qué se diferencia de un PDF nativo
Un PDF escaneado se crea capturando imágenes de páginas físicas en papel utilizando un escáner o la cámara de un teléfono. Cada página del PDF es una fotografía del documento original. El texto que ve en la página existe solo como píxeles en la imagen. No hay caracteres de texto reales almacenados en el archivo PDF. Un PDF escaneado es esencialmente un álbum de fotos donde cada foto contiene texto.
La forma más rápida de identificar un PDF escaneado es intentar seleccionar texto en la página con el cursor.
La tecnología OCR cierra la brecha entre los archivos PDF escaneados y nativos agregando una capa de texto con capacidad de búsqueda.
Un PDF nativo, también llamado PDF digital o PDF nacido digital, se crea directamente desde una aplicación de software. Cuando exporta un documento de Word a PDF, guarda una hoja de cálculo como PDF o crea un PDF desde una aplicación de diseño, el archivo resultante contiene caracteres de texto reales, seleccionables y con capacidad de búsqueda, junto con gráficos vectoriales y fuentes incrustadas.
El texto existe como datos, no sólo como píxeles. Un PDF nativo es un documento estructurado, no una colección de imágenes de páginas.
El Formato PDF admite ambos tipos de contenido dentro del mismo archivo. Un PDF puede tener algunas páginas que son imágenes escaneadas y otras páginas que son texto digital nativo. Este escenario de contenido mixto es común cuando los documentos se ensamblan a partir de múltiples fuentes, como un informe que combina páginas de texto creadas digitalmente con apéndices escaneados de fuentes impresas.
La diferencia práctica entre archivos PDF escaneados y nativos afecta todo lo que puede hacer con el documento. Puede buscar palabras en un PDF nativo porque el texto existe como datos de caracteres con capacidad de búsqueda. No puede buscar un PDF escaneado a menos que haya sido procesado con la tecnología OCR PDF que reconoce el texto en las imágenes y agrega una capa de texto invisible con capacidad de búsqueda. Puede seleccionar y copiar texto desde un PDF nativo. No puede seleccionar texto de un PDF escaneado. Puede editar texto en un PDF nativo con un editor de PDF. No puede editar texto en un PDF escaneado porque no hay caracteres de texto para editar.
Pruebe el OCR de PDF
No se necesita instalación. Funciona directamente en su navegador.
Cómo saber si un PDF está escaneado o es nativo
La prueba más rápida es intentar seleccionar texto en el PDF. Abra el PDF y haga clic y arrastre sobre una palabra con el mouse o el dedo. Si el texto se resalta mientras lo arrastra, el PDF contiene texto nativo seleccionable. Si no sucede nada al intentar seleccionar texto, es probable que la página sea una imagen escaneada. Si algunas palabras se resaltan pero otras no, es posible que el PDF tenga una capa de texto parcial o dañada.
La prueba de zoom proporciona otra comprobación rápida. Acérquese al 300 o 400 por ciento en una sección de texto. Si el texto permanece nítido y nítido con un gran aumento, es probable que se trate de texto vectorial nativo que se escala suavemente a cualquier tamaño. Si el texto se pixela y muestra bordes irregulares con un gran aumento, es una imagen escaneada. Esta prueba visual funciona porque el texto vectorial se reproduce suavemente en cualquier nivel de zoom, mientras que el texto basado en imágenes revela su estructura de píxeles cuando se amplía.
Las herramientas de visualización de PDF también pueden informar si un documento contiene texto. En Adobe Acrobat, el panel Propiedades del documento muestra el número de páginas y si el archivo contiene texto con capacidad de búsqueda. Algunos visores muestran un indicador de capa de texto. Las herramientas de análisis de documentos pueden escanear un PDF e informar el porcentaje de páginas que contienen texto nativo versus contenido solo de imágenes.
El tamaño del archivo puede dar una pista, aunque no es definitiva. Un PDF escaneado que consta de imágenes de páginas suele ser más grande que un PDF de texto nativo con el mismo número de páginas porque las imágenes requieren más almacenamiento que el texto. Un PDF de texto nativo de 10 páginas puede tener entre 100 y 500 kilobytes. Un PDF escaneado de 10 páginas puede tener entre 2 y 10 megabytes. Sin embargo, un PDF nativo con imágenes incrustadas de alta resolución también puede ser grande, por lo que el tamaño del archivo por sí solo no es un indicador confiable.
Por qué es importante la distinción para las tareas PDF cotidianas
La búsqueda es la tarea más común afectada por la distinción entre escaneado y nativo. Si recibe un PDF de 50 páginas y necesita encontrar cada mención de un término específico, un PDF nativo le brinda la respuesta en segundos a través de la función de búsqueda. Un PDF escaneado le obliga a escanear visualmente cada página manualmente, lo que lleva unos minutos y es posible que se pierdan ocurrencias. La capacidad de buscar un documento transforma la forma en que interactúa con él.
La extracción de texto para su reutilización en otros documentos requiere texto nativo. Si necesita citar un párrafo de un PDF en su propio informe, un PDF nativo le permite copiar y pegar el texto directamente. Un PDF escaneado requiere que vuelva a escribir el texto o ejecute OCR para que sea extraíble. Para los documentos a los que consulta con frecuencia, la diferencia entre copiar y pegar instantáneo y volver a escribir manualmente es significativa.
Las herramientas de accesibilidad, incluidos los lectores de pantalla utilizados por personas con discapacidad visual, requieren texto nativo. Un lector de pantalla puede leer en voz alta un PDF nativo porque puede acceder a los caracteres del texto. Un lector de pantalla no puede leer un PDF escaneado porque no hay caracteres de texto a los que acceder. Hacer accesibles los archivos PDF escaneados requiere procesamiento OCR para agregar una capa de texto que los lectores de pantalla puedan interpretar.
El formato PDF escaneado es perfectamente adecuado para fines de archivo en los que el documento sólo necesita verse como una imagen del original. Una copia escaneada de un contrato firmado sirve como registro visual del documento firmado. Para cualquier propósito que requiera interactuar con el texto, buscar, copiar, editar o acceder, es necesario un PDF nativo o un PDF escaneado con OCR.
Cómo convertir un PDF escaneado en un PDF nativo con capacidad de búsqueda
El reconocimiento óptico de caracteres es la tecnología que convierte imágenes de páginas escaneadas en documentos con capacidad de búsqueda con una capa de texto. Ejecute OCR en el PDF escaneado utilizando una herramienta de PDF que admita el procesamiento de OCR. La herramienta analiza la imagen de cada página, reconoce los caracteres del texto y agrega una capa de texto invisible detrás de la imagen de la página. Después del OCR, el PDF tiene un aspecto visual idéntico, pero ahora se pueden realizar búsquedas y el texto reconocido se puede seleccionar y copiar.
La precisión del OCR depende de la calidad del escaneo original. Un escaneo limpio a 300 ppp con iluminación uniforme, páginas planas y un enfoque nítido produce una precisión de OCR superior al 99 por ciento.
Un escaneo de baja resolución a 150 DPI con sombras, páginas curvas o texto borroso puede producir una precisión inferior al 95 por ciento, lo que requiere corrección manual. La calidad del escaneo determina la calidad de la salida OCR.
Después de ejecutar OCR, verifique los resultados buscando algunas palabras que pueda ver en la página. Si la búsqueda los encuentra, el OCR fue exitoso. Si la búsqueda omite palabras obvias, es posible que el OCR haya tenido dificultades con la fuente, el diseño o la calidad de imagen específicos de esa página. Vuelva a ejecutar OCR con la configuración ajustada o en un escaneo de mayor calidad si está disponible.
La herramienta OCR PDF de WukongPDF procesa documentos escaneados en el navegador y devuelve un PDF con una capa de texto con capacidad de búsqueda. Cargue el PDF escaneado, ejecute OCR y descargue un documento que admita búsqueda, selección de texto y acceso al lector de pantalla. El proceso de OCR conserva la apariencia visual original al tiempo que agrega la capa de texto que hace que el documento sea interactivo.
La diferencia de tamaño de archivo entre los PDF escaneados y los nativos se vuelve particularmente importante cuando se trata de grandes colecciones de documentos. Un archivador de documentos en papel escaneados a PDF puede producir decenas de miles de páginas PDF escaneadas, cada una de las cuales es una imagen completa. A 500 kilobytes por página para un escaneo típico en escala de grises de 300 ppp, 10.000 páginas consumen 5 gigabytes de almacenamiento. La ejecución de OCR en esos archivos PDF escaneados no reduce el tamaño del archivo, porque las imágenes de la página permanecen, pero agrega la capa de texto con capacidad de búsqueda que hace que la colección sea prácticamente utilizable.
Para documentos que requieren un archivo a largo plazo, el formato PDF/A es el estándar de archivo. Tanto los archivos PDF escaneados como los archivos PDF nativos se pueden convertir a PDF/A. Un PDF escaneado convertido a PDF/A sigue siendo un documento basado en imágenes con la adición de metadatos de archivo. Un PDF nativo convertido a PDF/A conserva su texto y sus propiedades estructurales. PDF/A no cambia la naturaleza escaneada versus nativa del documento. Agrega metadatos estandarizados y aplica requisitos estructurales que mejoran la preservabilidad a largo plazo.
Para archivos PDF que combinan páginas escaneadas y nativas, aplique OCR a las páginas escaneadas sin tocar las páginas nativas. La mayoría de las herramientas de OCR pueden procesar rangos de páginas específicos, por lo que puede ejecutar OCR solo en las páginas que lo necesiten. Después del procesamiento, el PDF conserva el texto nativo en las páginas originales y tiene una capa de texto con capacidad de búsqueda en las páginas que antes solo contenían imágenes, lo que proporciona una capacidad de búsqueda consistente en todo el documento.
Para documentos que se imprimirán y completarán a mano, un PDF escaneado del formulario original es perfectamente adecuado. El destinatario imprime el PDF, completa los espacios en blanco con un bolígrafo y devuelve la copia física o la escanea a formato digital. Para documentos que deben completarse digitalmente, un PDF nativo con campos de formulario es muy superior porque el destinatario puede escribir directamente en los campos.
La elección entre escanear un documento a PDF y crear un PDF nativo a partir del archivo fuente original debe considerar todo el ciclo de vida del documento, no solo la necesidad inmediata. Un PDF escaneado de un contrato está bien para enviarlo por correo electrónico a la otra parte para su revisión. Si posteriormente es necesario buscar en ese contrato una cláusula específica durante una disputa, la falta de capacidad de búsqueda del PDF escaneado se convierte en una responsabilidad importante. La creación de un PDF nativo en el momento de la creación del documento conserva opciones que el escaneo no conserva.
El software de escaneo moderno a menudo incluye procesamiento OCR automático, lo que borra la distinción entre archivos PDF escaneados y nativos en el uso práctico. Un documento escaneado con una aplicación de teléfono que realiza OCR inmediatamente después de la captura produce un PDF que técnicamente es una imagen escaneada pero que funcionalmente se puede buscar como un PDF nativo. Este enfoque híbrido combina la conveniencia de escanear con la capacidad de búsqueda del texto nativo.
Pruebe el OCR de PDF
No se necesita instalación. Funciona directamente en su navegador.