Dos archivos PDF se encuentran uno al lado del otro en una carpeta. Ambos tienen el mismo número de páginas. Ambos fueron creados el mismo año. Escribe el mismo término de búsqueda en ambos. Se obtienen resultados casi al instante. El otro hace una pausa, muestra un indicador de progreso giratorio y tarda varios segundos en informar que el término se encontró en la página doce. La diferencia en la velocidad de búsqueda entre estos dos archivos PDF no es aleatoria. Está determinado por cómo se creó el PDF, si el texto está incrustado o generado mediante OCR, cómo están codificadas las fuentes y si la estructura del documento incluye funciones de optimización de búsqueda. Comprender por qué algunos documentos PDF con capacidad de búsqueda son más rápidos de buscar que otros le ayuda a crear archivos PDF que buscan de manera eficiente y a diagnosticar documentos de búsqueda lenta que necesitan atención.
Cómo funciona realmente la búsqueda de PDF
Cuando busca un PDF, el visor no escanea las imágenes de la página visible en busca de formas de caracteres. Consulta los flujos de contenido de texto incrustados en el archivo PDF. Cada página contiene uno o más flujos de contenido que enumeran los caracteres de la página, sus posiciones y las fuentes utilizadas para mostrarlos. La función de búsqueda lee estos flujos de contenido secuencialmente, carácter por carácter, buscando coincidencias con el término de búsqueda. La velocidad de este escaneo secuencial depende de cómo estén organizados los datos del texto.
Se puede buscar en un PDF con flujos de contenido bien estructurados, donde el texto aparece en orden de lectura lógico con codificación consistente, tan rápido como el espectador puede leer los datos del disco. Un PDF con flujos de contenido fragmentados, donde el texto de un solo párrafo está disperso en varios objetos de flujo en orden no secuencial, obliga a la función de búsqueda a saltar entre diferentes partes del archivo, reensamblando el texto en la memoria antes de poder buscarlo. La estructura PDF Format de los flujos de contenido es el principal determinante de la velocidad de búsqueda.
Pruebe el OCR de PDF
No se necesita instalación. Funciona directamente en su navegador.
Texto incrustado frente a texto OCR en el rendimiento de búsqueda
El texto incrustado, texto creado en un procesador de textos o aplicación de diseño y escrito directamente en el PDF, se almacena como una secuencia de códigos de caracteres. Cada personaje ocupa una posición conocida en el flujo de contenido. La función de búsqueda lee la transmisión linealmente y encuentra coincidencias de manera eficiente. El texto OCR PDF, texto generado mediante reconocimiento óptico de caracteres a partir de una imagen de página escaneada, se almacena de forma diferente. El motor de OCR coloca cada palabra reconocida en su posición aproximada en la página, pero es posible que las palabras no estén en estricto orden de lectura en el flujo de contenido.
El texto OCR también puede contener errores de reconocimiento. Un carácter que el motor de OCR leyó erróneamente como un carácter diferente no coincidirá con el término de búsqueda aunque el carácter visible en la página parezca correcto. Una búsqueda de contrato no encontrará contrato, aunque el motor de OCR genere ese reconocimiento erróneo y lo coloque en el flujo de contenido. La función de búsqueda no ve la imagen de la página. Solo ve el texto OCR. Los errores en ese texto se traducen directamente en errores de búsqueda.
Codificación de fuentes y su efecto en la búsqueda
Las fuentes en archivos PDF se pueden codificar de varias maneras y la codificación afecta la velocidad de búsqueda. Una fuente con una codificación estándar, como WinAnsiEncoding o MacRomanEncoding, asigna códigos de caracteres directamente a glifos estándar. La función de búsqueda puede procesar este texto rápidamente porque el mapeo es sencillo. Una fuente con una codificación personalizada, donde el diseñador de fuentes asigna arbitrariamente los códigos de caracteres, requiere que la función de búsqueda busque cada código en la tabla de codificación de fuentes para determinar qué carácter representa. Esta búsqueda agrega gastos generales a cada comparación de caracteres.
Las fuentes CID, utilizadas para conjuntos de caracteres del este de Asia, utilizan una codificación de dos niveles que asigna códigos de caracteres a valores CID y luego asigna valores CID a Unicode. La búsqueda de texto en una fuente codificada con CID requiere resolver esta asignación de dos niveles para cada carácter. Un PDF que contenga texto en chino, japonés o coreano en una fuente codificada con CID buscará más lentamente que un PDF que contenga texto en inglés en una fuente codificada estándar, simplemente debido al paso de resolución de codificación adicional. La elección de codificación de fuentes PDF realizada cuando se crea el PDF afecta el rendimiento de la búsqueda durante toda la vida útil del documento.
El papel del árbol de estructura de página en la búsqueda
Un PDF etiquetado incluye una estructura de árbol que organiza el contenido del documento en elementos lógicos como secciones, párrafos y figuras. La estructura de árbol proporciona a la función de búsqueda una hoja de ruta del documento. En lugar de escanear los flujos de contenido linealmente desde el principio del archivo, la función de búsqueda puede navegar por el árbol de estructura para localizar texto dentro de secciones específicas del documento. Una búsqueda dentro de un PDF etiquetado puede ser más rápida porque el árbol de estructura proporciona una indexación de la que carece un flujo de contenido plano.
Los archivos PDF sin etiquetar, que constituyen la mayoría de los archivos PDF en circulación, carecen de esta estructura de árbol. La función de búsqueda no tiene más remedio que escanear los flujos de contenido de forma secuencial. Para documentos cortos, la diferencia es insignificante. Para documentos de cientos o miles de páginas, la presencia o ausencia de un árbol de estructura puede marcar la diferencia entre resultados de búsqueda casi instantáneos y un retraso notable. La creación de archivos PDF etiquetados es una práctica recomendada de accesibilidad que también beneficia el rendimiento de PDF Searchable.
Índices de búsqueda integrados en archivos PDF
Algunas herramientas de creación de PDF pueden incorporar un índice de búsqueda directamente en el archivo PDF. Este índice es una tabla de búsqueda prediseñadas que asigna palabras a las páginas donde aparecen. Se puede buscar un PDF con un índice incrustado casi instantáneamente, porque la función de búsqueda consulta el índice en lugar de escanear los flujos de contenido. La búsqueda de índice devuelve los números de página donde aparece la palabra y el espectador salta directamente a esas páginas.
Los índices incrustados son poco comunes en los archivos PDF de uso general porque aumentan el tamaño del archivo y el tiempo de creación del índice. Se encuentran más comúnmente en archivos PDF de referencia de gran tamaño, manuales técnicos y colecciones de documentos donde la velocidad de búsqueda es una prioridad. La mayoría de los flujos de trabajo de creación de PDF no incluyen la generación de índices de forma predeterminada. La ausencia de un índice incrustado es la norma. Cuando encuentra un PDF que busca notablemente más rápido que otros de tamaño similar, es probable que la razón sea un índice incrustado.
Qué puede hacer para mejorar la velocidad de búsqueda
Si crea archivos PDF que se buscarán con frecuencia, generelos como archivos PDF etiquetados con codificaciones de fuentes estándar. Evite codificaciones de fuentes personalizadas a menos que los requisitos de diseño no puedan cumplirse de otra manera. Si el PDF contendrá texto no latino, pruebe el rendimiento de la búsqueda en una muestra antes de comprometerse con el enfoque de codificación para el documento completo. Una pequeña inversión en la configuración de creación se traduce en una búsqueda más rápida para cada persona que utiliza el documento.
Para archivos PDF existentes que realizan búsquedas lentas, considere volver a realizar OCR en el texto generado mediante OCR con un motor moderno que produzca flujos de contenido más limpios. Ejecute el PDF a través de una herramienta de análisis de estructura que puede agregar etiquetas si el documento no está etiquetado actualmente. WukongPDF admite el reprocesamiento OCR PDF y el etiquetado de documentos que pueden mejorar el rendimiento de la búsqueda en archivos PDF existentes sin tener que recrearlos a partir de los documentos originales.
La fecha de creación del PDF y la versión del software utilizada para crearlo pueden explicar las diferencias en la velocidad de búsqueda. Es probable que un PDF creado con una versión 2024 de una biblioteca de PDF moderna tenga flujos de contenido más limpios y una codificación de texto más eficiente que un PDF creado con una versión 2008 de una herramienta heredada. El formato PDF ha evolucionado y las herramientas de creación más nuevas producen archivos mejor estructurados.
Para los archivos PDF que se buscan con frecuencia como parte de un flujo de trabajo de gestión de documentos, considere extraer el texto y crear un índice de búsqueda externo. Un sistema de gestión de documentos con un índice de búsqueda de texto completo consulta el índice, no los flujos de contenido PDF. La velocidad de búsqueda se vuelve independiente de la estructura interna del PDF.
La cantidad de fuentes utilizadas en un PDF afecta la velocidad de búsqueda porque cada cambio de fuente requiere que la función de búsqueda cargue una nueva tabla de codificación. Un PDF que utiliza dos fuentes busca más rápido que un PDF que utiliza veinte fuentes, en igualdad de condiciones.
El rendimiento de PDF Searchable de un documento se determina en el momento de la creación mediante opciones sobre codificación de fuentes, organización del flujo de contenido, etiquetado de documentos e incrustación de índice. Estas opciones son invisibles para el autor del documento, pero inmediatamente evidentes para cualquiera que busque en el documento.
Para las colecciones de documentos que se buscarán con frecuencia, la inversión en la creación de archivos PDF etiquetados y bien estructurados con codificaciones de fuentes estándar rinde dividendos cada vez que un usuario escribe una consulta y recibe resultados casi instantáneos.
Este artículo cubre las técnicas y consideraciones clave para trabajar con archivos PDF en este escenario específico. Los métodos descritos aquí se aplican en diferentes herramientas y plataformas, brindando a los lectores la flexibilidad de elegir el enfoque que mejor se adapte a su flujo de trabajo y entorno técnico.
Los pasos prácticos descritos proporcionan un camino claro desde el desafío inicial hasta una solución funcional. Cada técnica ha sido seleccionada por su confiabilidad y accesibilidad, lo que garantiza que los lectores puedan lograr resultados consistentes independientemente de su experiencia previa con herramientas PDF.
Las diferencias en la velocidad de búsqueda descritas en este artículo son el resultado directo de las elecciones realizadas durante la creación del PDF. Comprender estos factores permite a los creadores de documentos producir archivos PDF que brinden una mejor experiencia de búsqueda.
Las herramientas y técnicas descritas en este artículo brindan un camino práctico desde la pregunta inicial hasta una solución funcional que se puede aplicar en una variedad de documentos y escenarios.
Pruebe el OCR de PDF
No se necesita instalación. Funciona directamente en su navegador.