Presionar Ctrl+F en un PDF y no encontrar nada, o encontrar que la barra de búsqueda funciona pero no arroja resultados incluso para palabras que se pueden ver claramente en la página, es un problema de capa de texto. El PDF no contiene texto con capacidad de búsqueda, lo que significa que lo que estás viendo es una imagen en lugar de caracteres reales. La solución es OCR y es más rápido de lo que la mayoría de la gente espera.
Por qué algunos PDF no tienen texto con capacidad de búsqueda
Un PDF puede contener dos tipos de contenido fundamentalmente diferentes. El primero es el texto real: caracteres almacenados como datos de texto que se pueden buscar, seleccionar y copiar. El segundo son los datos de imagen: una fotografía de una página donde las letras son solo píxeles, visualmente indistinguibles del texto real en la pantalla pero estructuralmente completamente diferentes.
Los documentos escaneados siempre se basan en imágenes: el escáner fotografía la página. Pero incluso los documentos creados digitalmente pueden terminar siendo sólo imágenes si se convirtieron aplanando el contenido, se exportaron desde cierto software de diseño sin preservar el texto o se guardaron mediante flujos de trabajo de impresión a imagen. El resultado visual parece idéntico; sólo la estructura de datos subyacente es diferente.
Cómo comprobar si su PDF tiene una capa de texto
Abra el PDF e intente hacer clic y arrastrar para seleccionar una sola palabra. Si puede resaltar palabras individuales y el texto seleccionado aparece resaltado en azul (o el color seleccionado por el espectador), el PDF tiene una capa de texto real y debería poder buscarse. Si al hacer clic y arrastrar se produce un cuadro de selección rectangular sobre la imagen de la página en lugar de resaltar palabras específicas, el documento está basado en imágenes.
Una segunda prueba: prueba Ctrl+A para seleccionar todo. En un PDF basado en texto, el texto se resalta en todo el documento. En un PDF basado en imágenes, no se selecciona nada visiblemente, o se selecciona toda la página como un único bloque de imagen.
La solución: ejecutar OCR
OCR (reconocimiento óptico de caracteres) lee la imagen y convierte lo que ve en caracteres de texto, agregando una capa de texto al PDF. Después del OCR, se pueden realizar búsquedas en el documento: Ctrl+F busca palabras, el texto se puede seleccionar y copiar, y los lectores de pantalla pueden interpretar el contenido.
La herramienta OCR PDF de WukongPDF maneja esto en el navegador. Cargue el PDF basado en imágenes, ejecute OCR y descargue la versión con capacidad de búsqueda. La apariencia visual del documento no cambia (las páginas parecen idénticas), pero los datos subyacentes ahora incluyen una capa de texto que las herramientas de búsqueda y selección pueden usar.
La precisión del OCR depende de la calidad del escaneo original. Texto negro limpio y de alto contraste sobre papel blanco con OCR de más de 200 ppp con una precisión del 98-99 %. La tinta descolorida, los escaneos de baja resolución, las fuentes inusuales o la escritura a mano producen más errores. Para la mayoría de los documentos comerciales mecanografiados, los resultados del OCR son lo suficientemente claros como para utilizarlos inmediatamente.
Cuando la búsqueda no encuentra nada a pesar del texto existente
Una situación menos común: el PDF tiene una capa de texto real, la selección de texto funciona, pero la función de búsqueda aún no arroja resultados. Por lo general, esto significa que el índice de búsqueda del visor PDF aún no se ha creado. Algunos espectadores crean el índice en segundo plano después de abrirlo; espere unos segundos y vuelva a intentarlo. Si el problema persiste, intente realizar una consulta de búsqueda diferente utilizando términos más simples o abra el archivo en un visor diferente.
Otra causa: la capa de texto existe pero contiene caracteres confusos debido a problemas de codificación de fuentes. Si intenta copiar una oración y pegarla en otro lugar y aparece como símbolos aleatorios, la codificación del texto se rompe. OCR también resuelve esto: reconstruye la capa de texto desde cero leyendo el contenido visual y reemplazando la codificación rota con el texto correcto.
Hacer que los PDFs del futuro siempre se puedan buscar
Para documentos escaneados, ejecutar OCR inmediatamente después de escanear significa que cada PDF escaneado se puede buscar desde el momento en que se archiva. Algunos software de escáner tienen OCR integrado y lo aplican automáticamente; habilite esta configuración si está disponible. Para los escáneres sin OCR incorporado, un pase rápido de OCR posterior al escaneo antes de archivarlo agrega segundos por documento y ahorra mucho tiempo cuando necesita encontrar algo semanas o meses después.
Para documentos creados digitalmente, asegúrese de utilizar una exportación adecuada en lugar de imprimir en imagen. Exportar directamente desde Word, Google Docs o cualquier aplicación profesional conserva la capa de texto automáticamente. El problema de la capacidad de búsqueda solo aparece cuando el proceso de exportación rasteriza el contenido, lo que suele ocurrir al imprimir en PDF utilizando ciertos controladores o con opciones de exportación que aplanan explícitamente el documento.