Cómo pasar un PDF escaneado a texto editable con OCR

Un PDF escaneado es un conjunto de fotografías metidas en un contenedor PDF. Dentro no hay texto, solo píxeles, así que no puedes seleccionar una frase, buscar un nombre ni copiar un párrafo. El OCR lo arregla: mira las formas de cada página y reconstruye las letras.

La respuesta corta

• Abre PDF escaneado a texto (OCR), carga el PDF y elige el idioma del documento.
• Las páginas que ya tienen capa de texto se leen directamente; solo las que son imágenes pasan por OCR.
• Descarga el resultado como TXT y revísalo antes de enviarlo a ningún sitio.

El reconocimiento se ejecuta en tu navegador. El PDF no se sube, algo que importa cuando el documento es un contrato, un informe médico o una factura.

¿Escaneado o digital? Compruébalo primero

No todos los PDF necesitan OCR. Abre el archivo e intenta seleccionar una palabra con el ratón. Si el texto se resalta con normalidad, el documento ya tiene capa de texto y puedes extraerlo de forma exacta con PDF a TXT. Es más rápido y evita errores de reconocimiento.

Si no se puede seleccionar nada, o la selección es un rectángulo azul sobre toda la página, esa página es una imagen. Ahí sí hace falta OCR.

También existen documentos mixtos: un contrato con condiciones digitales y firmas escaneadas, o un informe con portada de texto y anexos fotografiados. Una buena herramienta de OCR debe tratar cada página por separado en lugar de meter el archivo entero por el reconocimiento.

Paso a paso

• Carga el PDF. Suéltalo en PDF escaneado a texto (OCR) o haz clic para buscarlo. El archivo se abre en local.
• Elige el idioma. Selecciona el idioma del texto que hay dentro del documento, no el de tu navegador. El inglés se añade automáticamente para que las páginas mixtas sigan funcionando.
• Inicia la conversión. Las páginas digitales aparecen casi al instante. Las escaneadas tardan unos segundos cada una, y la primera vez también se descargan los datos del idioma.
• Revisa el texto. Léelo junto al original, empezando por nombres, cifras y fechas.
• Descarga el TXT. Úsalo en tu editor, en tus notas o en cualquier herramienta que acepte texto plano.

Cómo mejorar la precisión

El OCR adivina, y la calidad de la adivinanza depende de la calidad de la imagen.

• Resolución. Unos 300 ppp es el punto óptimo para una página escaneada. Una foto hecha de cerca suele funcionar mejor que una captura pequeña.
• Contraste. Texto oscuro y limpio sobre fondo claro es lo ideal. Las sombras, el flash y el papel de color confunden al motor.
• Páginas rectas. Los escaneos torcidos rompen líneas y unen palabras. Endereza la página antes de escanear cuando puedas.
• Idioma. Elegir mal el modelo de idioma es la causa más habitual de acentos rotos y palabras inventadas. Si un documento mezcla dos idiomas, procesa por separado las páginas del minoritario.
• Recorta. Quita bordes, manos, grapas y logotipos para que el motor no intente leerlos.

Lo que el OCR todavía hace mal

• Escritura a mano. El texto impreso es el objetivo. Las mayúsculas de bloque a veces funcionan; la letra cursiva casi nunca.
• Tablas y columnas. El motor lee texto, no maquetación. Las celdas pueden perder la alineación y las columnas pueden mezclarse, así que cuenta con rehacer las tablas a mano.
• Números y códigos. El 0 y la letra O, o el 1, la l y la I, son confusiones clásicas. Comprueba números de factura, IBAN y correos carácter a carácter.
• Letra pequeña y tipografías decorativas. Las notas al pie diminutas, las cursivas finas y los logotipos producen muchos errores.
• Puntuación. Comillas, guiones y símbolos de moneda son pequeños y fáciles de perder.

Un corrector ortográfico no detecta un dígito equivocado. Por eso la revisión no es opcional en nada financiero o legal.

Privacidad y límites

La conversión es local: el PDF se lee, se renderiza y se reconoce en tu dispositivo, y el texto nunca sale de él. Esa es la razón principal para preferir una herramienta de navegador frente a un servicio que te pide subir el archivo.

Hay dos límites prácticos que conviene conocer. Los escaneos muy grandes consumen más memoria, y el tiempo de reconocimiento crece con el número de páginas. Si un documento tiene cientos de páginas, divídelo en partes y procésalas de una en una.

Cuándo el OCR no es la respuesta

• El PDF ya tiene texto. Usa PDF a TXT para una extracción exacta.
• Necesitas la maquetación original. El OCR devuelve texto, no diseño. Para una copia fiel, conserva el PDF original o conviértelo a Word con PDF a DOCX.
• Necesitas un PDF buscable. El texto reconocido se puede pegar en un documento nuevo, pero esta herramienta devuelve TXT; no añade una capa de texto invisible al archivo original.
• La página es una foto, no un PDF. Usa Imagen a texto (OCR).

Lista rápida

• Selecciona una palabra en el PDF para confirmar que está realmente escaneado.
• Elige el idioma del documento.
• Compara nombres, importes, fechas y números de referencia con el original.
• Conserva el PDF original hasta haber verificado el texto.
• Guarda el TXT donde puedas buscarlo después.

Bien hecho, el OCR convierte un escaneo ilegible en texto con el que puedes trabajar, sin enviar un documento confidencial al servidor de un desconocido.