Al aplanar un PDF se combinan todas las anotaciones, campos de formulario y contenido en capas en una única capa de imagen estática. Una vez aplanada, la capa de texto original que existía antes del aplanamiento desaparece. Los caracteres de texto que alguna vez fueron seleccionables, buscables y extraíbles se convierten en píxeles en la imagen aplanada. Reparación de PDF para un documento aplanado pregunta si la capa de texto original se puede recuperar de la salida aplanada.
La respuesta corta depende de si el PDF se aplanó conservando o sin la capa de texto. Algunas operaciones de aplanamiento conservan el texto original detrás de la imagen aplanada como contenido oculto. Otras operaciones de aplanamiento descartan el texto por completo y lo reemplazan con la imagen renderizada. La recuperación es posible en el primer caso e imposible en el segundo.
Las herramientas de recuperación PDF Format de WukongPDF pueden detectar y extraer capas de texto conservadas de documentos PDF aplanados.
Cómo funciona el acodamiento de PDF y qué elimina
El aplanamiento combina todas las capas visibles de una página PDF en una única imagen renderizada. Las anotaciones que incluyen resaltados, notas adhesivas y marcas de dibujos se fusionan con el contenido de la página. Los campos de formulario se convierten de elementos interactivos a representaciones visuales estáticas de sus valores completados. Los efectos de transparencia se resuelven en píxeles opacos. El resultado es una página que parece idéntica a la original pero que no tiene una estructura interactiva ni en capas.
En la práctica, el proceso de aplanamiento puede preservar o no la capa de texto original detrás de la imagen aplanada. Cuando el aplanamiento se realiza a través de la Vista previa del aplanador de Acrobat Pro o mediante la herramienta de verificación previa con ciertas configuraciones, el texto original puede conservarse como una capa invisible. Cuando el acoplamiento se realiza mediante Imprimir en PDF o mediante herramientas de terceros, la capa de texto normalmente se descarta por completo.
Una prueba rápida determina si se conservó el texto. Abra el PDF aplanado e intente seleccionar texto en una página. Si el texto se puede seleccionar y copiar, la capa de texto sobrevivió al aplanamiento. Si al hacer clic en el texto no se selecciona nada o se selecciona toda la página como una imagen, la capa de texto se descartó y solo queda la apariencia visual.
Método 1: Comprobar si hay una capa de texto oculta detrás de la imagen aplanada
En Acrobat Pro, abra el PDF acoplado y vaya a Herramientas, Edición de contenido, Editar texto e imágenes. Haga clic en un área de texto visible. Si Acrobat muestra un cuadro delimitador alrededor del texto y permite editarlo, existe una capa de texto detrás de la imagen aplanada. El texto está presente en los datos del archivo aunque es posible que no sea visible como texto seleccionable durante la visualización normal.
Si el texto está presente, extráigalo usando la función Exportar PDF a texto de Acrobat Pro. El texto extraído puede contener el contenido original aunque la página visual parezca aplanada. Copie el texto extraído y compárelo con una muestra del contenido original. Si el texto coincide, la capa de texto original se recuperó exitosamente del archivo acoplado.
En términos generales, en escenarios reales, si Acrobat no puede encontrar texto editable, la capa de texto se descartó durante el aplanamiento. El texto visual de la página se compone de píxeles en la imagen aplanada, no de códigos de caracteres. La recuperación mediante extracción de texto no es posible porque no hay datos de texto para extraer.
Método 2: Usar OCR para recrear la capa de texto perdido
Cuando la capa de texto original se descartó durante el aplanamiento, el OCR proporciona una ruta para recrearla. Ejecute OCR en el PDF aplanado utilizando la función Reconocer texto de Acrobat Pro. El motor OCR analiza la imagen de píxeles de cada página, identifica las formas de los caracteres y crea una nueva capa de texto con los caracteres reconocidos.
Considerando esto en términos generales, en la práctica, la capa de texto recreada con OCR no es el texto original. El OCR introduce errores de reconocimiento, particularmente con texto pequeño, fuentes inusuales o texto sobre fondos complejos. El texto recreado tendrá aproximadamente entre un 95 y un 99 por ciento de precisión para documentos limpios y estándar, y menos preciso para documentos con tipografía o diseño desafiantes.
Después del OCR, compare el texto reconocido con una muestra conocida del contenido original, si está disponible. Corrija los errores de OCR manualmente o acepte la capa de texto recreada como una aproximación del original. La salida de OCR se puede utilizar para búsqueda y extracción de texto, pero puede contener errores que requieren verificación antes de confiar en el texto con fines legales, financieros o regulatorios.
Comprobación de texto en la estructura del archivo PDF
Para una verificación definitiva de si existen datos de texto en un PDF aplanado, examine la estructura del archivo sin formato. Abra el PDF en un editor de texto que pueda manejar archivos binarios, como VS Code o Notepad++. Busque cadenas de texto reconocibles en el contenido del documento original. Si se encuentran cadenas de texto dentro de los datos del archivo, la capa de texto existe incluso si no se puede acceder a ella a través de la interfaz del lector de PDF.
Este enfoque requiere cierta familiaridad con la estructura interna del PDF. El texto de un PDF se almacena dentro de los marcadores BT y ET, que indican el principio y el final de los objetos de texto. Entre estos marcadores se enumeran códigos de caracteres con comandos de posicionamiento. Encontrar marcadores BT y ET que contengan texto reconocible indica que los datos de texto sobrevivieron al aplanamiento.
Visto desde un punto de vista práctico, en escenarios reales, si no se encuentran cadenas de texto en los datos del archivo, la operación de aplanamiento rasteriza completamente el contenido. Las páginas son imágenes y no contienen información de texto recuperable. OCR es la única ruta disponible para crear una capa de texto.
Prevención de la pérdida de capa de texto en futuras operaciones de aplanamiento
Al acoplar un PDF que necesita conservar su capa de texto, utilice configuraciones que conserven el texto oculto. En Acrobat Pro, la herramienta Flattener Preview incluye una casilla de verificación para conservar la información de sobreimpresión y colores directos, lo que indirectamente ayuda a preservar los datos del texto. La herramienta Preflight ofrece correcciones de aplanamiento que retienen explícitamente el texto.
El método más seguro es guardar una copia sin aplanar del PDF antes de aplanarlo. La copia sin aplanar conserva todos los elementos interactivos, anotaciones y capas de texto. Distribuya la versión aplanada. Archive el original sin aplanar. Si alguna vez es necesaria la recuperación, el original proporciona los datos de origen completos.
Desde una perspectiva más amplia, en los flujos de trabajo de documentos, para documentos críticos, pruebe la configuración de acoplamiento en una copia antes de aplicarla al original. Verifique que el texto siga siendo recuperable después de aplanarlo. Ajuste la configuración si la recuperación falla. El paso de prueba agrega minutos al flujo de trabajo y evita la pérdida permanente de texto.
Usar la verificación previa para detectar y extraer capas de texto ocultas
La herramienta Acrobat Pro Preflight incluye perfiles diseñados específicamente para analizar la estructura del contenido PDF. El informe de inventario enumera todos los objetos de texto presentes en el archivo, incluidos aquellos que no son visibles durante la visualización normal. La ejecución de este informe en un PDF aplanado revela si los datos de texto sobrevivieron al proceso de aplanamiento.
Si el informe de verificación previa identifica objetos de texto, utilice la solución Exportar todo el texto para extraerlos a un archivo separado. Luego, el texto extraído se puede comparar con el contenido de la página visible para determinar qué parte del texto original se conservó y si es preciso y completo.
Recuperar texto de archivos PDF parcialmente aplanados
Algunas operaciones de aplanamiento afectan sólo a elementos específicos de la página y dejan otros intactos. Los campos del formulario se pueden aplanar mientras que el texto del cuerpo permanece como caracteres seleccionables. Las anotaciones se pueden aplanar mientras sobrevive el texto de la página subyacente. Examine cada tipo de elemento de forma independiente para determinar qué se aplanó y qué se conservó.
Desde un ángulo amplio, en flujos de trabajo de documentos, para documentos parcialmente aplanados, extraiga el texto superviviente de las partes no aplanadas y combínelo con la salida OCR de las partes aplanadas. El enfoque híbrido maximiza la recuperación de texto mediante el uso del texto original cuando esté disponible y el texto reconstruido con OCR cuando se perdió el original.
Cuándo aceptar que la recuperación no es posible
En caso de que surja, si no existen datos de texto en la estructura del archivo, si Acrobat no puede encontrar texto editable y si el OCR produce resultados inaceptablemente inexactos, la capa de texto original no se puede recuperar. Acepte esta conclusión y avance hacia la preservación de lo que queda en lugar de invertir más tiempo en intentos de recuperación.
Documente el intento de recuperación y su resultado. Tenga en cuenta las herramientas utilizadas, los métodos probados y la conclusión a la que se llegó. La documentación sirve a los futuros custodios de documentos que pueden tener acceso a mejores herramientas de recuperación y deben comprender lo que se intentó antes.
Estrategia de archivo a largo plazo para documentos aplanados
Los PDF acoplados a menudo se crean específicamente con fines de archivo porque eliminan las dependencias interactivas. Al archivar documentos acoplados, almacene el original no acoplado junto con la versión acoplada siempre que sea posible. El original conserva la estructura completa del documento. La versión aplanada proporciona un formato de archivo estable.
Para documentos donde solo existe la versión aplanada, ejecute OCR para crear una capa de texto e incrustarla en el PDF. Puede que el texto OCR no sea perfecto, pero permite búsquedas y extracción de texto futuras que de otro modo serían imposibles. La capa OCR es un puente entre la imagen aplanada y las necesidades futuras de análisis de documentos.
Detección automatizada de aplanamiento para colecciones de documentos
Las organizaciones que gestionan grandes colecciones de documentos se benefician de la detección automática de archivos PDF acoplados. Un script que abre cada PDF, verifica la presencia de texto seleccionable y marca los archivos donde falta texto identifica los documentos que necesitan procesamiento OCR. El escaneo automatizado evita que los documentos aplanados ingresen silenciosamente al archivo sin capas de texto en las que se puedan realizar búsquedas.
Integre la detección de aplanamiento en el flujo de trabajo de ingesta de documentos. Cuando un nuevo PDF ingresa al sistema, verifique la presencia de texto. Si no hay texto, dirija el documento a una cola de procesamiento de OCR antes de que llegue al archivo. La detección y corrección automatizadas garantizan que se pueda buscar en cada documento archivado.