Cómo usar OCR para PDF
- Haz clic en «Seleccionar archivo PDF» o suelta un PDF escaneado en el recuadro.
- Elige el idioma en que está escrito el documento. El reconocimiento es mucho más preciso con el idioma correcto.
- Deja marcada la opción «Omitir las páginas que ya tienen texto» para que solo se procesen las páginas escaneadas.
- Pulsa «Reconocer texto» y mantén la pestaña abierta mientras se leen las páginas.
- Descarga el PDF buscable. El texto reconocido también se muestra, listo para copiarlo o guardarlo como archivo .txt.
Acerca de esta herramienta
Cada página sin texto se dibuja a unos 250 puntos por pulgada y se entrega a Tesseract, un motor de reconocimiento de código abierto que también funciona dentro de muchos programas de escaneo de escritorio y que aquí se ejecuta como WebAssembly en tu navegador. Encuentra las líneas y las palabras de la página y devuelve cada palabra con su posición. Esas palabras se escriben en el PDF con el modo de representación de texto 3 (texto invisible), justo encima de las palabras impresas. Las imágenes de las páginas no se recomprimen ni se alteran, así que el documento se ve idéntico y el archivo solo crece unos pocos kilobytes por página.
La capa invisible sirve para buscar, seleccionar y copiar: Ctrl+F en un lector de PDF, el buscador de archivos de tu computadora o pegar un párrafo en un correo. Usa una fuente sin formas de letra que solo registra qué carácter va en cada lugar. Por eso funciona con todas las escrituras admitidas, incluidos el árabe, el urdu, el hindi, el chino y el japonés, sin incrustar una fuente grande. Las páginas que ya tienen texto real no se tocan, mientras que un escaneo que solo lleva un número de página mecanografiado o un sello de «escaneado por» se reconoce igualmente.
El reconocimiento es bueno, no perfecto. Los escaneos de oficina limpios, a 200–300 PPP y con una tipografía corriente suelen salir con pocos errores. Espera más fallos con fotos de teléfono de baja resolución, páginas inclinadas o curvadas, fotocopias tenues, fondos de color o con dibujos, letra muy pequeña y fuentes decorativas. La letra manuscrita no se reconoce. Las tablas y las páginas de varias columnas se leen, pero el orden del texto puede no seguir las columnas. Las páginas deben estar al derecho: endereza primero las páginas de lado con Girar PDF. La precisión también varía según la escritura: la letra impresa latina y cirílica es la que mejor se lee; el chino, el japonés y el hindi impresos con claridad se leen bien, y el árabe y el urdu, con bastante menos fiabilidad.
La velocidad depende de tu dispositivo, porque tu procesador hace el trabajo que en otros sitios haría un servidor. Una laptop reciente necesita entre uno y tres segundos por página y trabaja en varias páginas a la vez; un teléfono es varias veces más lento y debe mantenerse encendido con la pestaña en primer plano. La primera vez se descargan de este sitio el motor (unos 1,5 MB) y el idioma elegido (0,7–3 MB); las siguientes veces se usan las copias de la caché de tu navegador. No hay límite de páginas, y en documentos de más de 50 páginas ves una estimación del tiempo antes de empezar.
Preguntas frecuentes
¿Qué le hace el OCR a mi PDF?
Añade una capa invisible de texto encima de las páginas escaneadas. Las páginas se ven igual, pero ahora puedes buscar en el documento y seleccionar y copiar su texto, y los lectores de pantalla y los buscadores pueden leerlo.
¿Hay un límite de páginas o de tamaño de archivo?
No hay un límite fijo ni una cuota diaria. El reconocimiento se hace en tu dispositivo, así que los documentos largos simplemente tardan más: calcula de uno a tres segundos por página en una laptop y bastante más en un teléfono.
¿Qué idiomas puede leer?
Inglés, español, francés, alemán, portugués, italiano, neerlandés, ruso, árabe, urdu, hindi, chino simplificado y japonés. Elige el idioma del texto antes de empezar. En cada pasada se usa un solo idioma, así que una página que mezcla dos escrituras solo se lee bien en una de ellas. La letra impresa latina y cirílica es la que se lee con más fiabilidad; el árabe y el urdu son los más débiles, sobre todo en tipografías caligráficas nastaliq.
¿Puede leer letra manuscrita?
No. El motor está entrenado con letra impresa. A veces reconoce mayúsculas de imprenta bien hechas, pero la letra cursiva sale como texto sin sentido.
¿Por qué algunas palabras salen mal?
El motor deduce cada palabra a partir de su forma. Las páginas borrosas, inclinadas, de baja resolución o tenues le dan menos información. Volver a escanear a 300 PPP, con la página plana y derecha, es la solución más eficaz.
¿Por qué el resaltado queda un poco desplazado cuando selecciono texto?
Las palabras invisibles se colocan según el recuadro que rodea cada palabra impresa, así que la selección puede ser algo más alta o más ancha que las letras. La búsqueda y la copia no se ven afectadas.
¿Debo comprimir el PDF antes o después del OCR?
Cualquier orden funciona con Comprimir PDF en su modo predeterminado, «Conservar texto y enlaces», que reduce las imágenes de las páginas y deja la capa de texto en su sitio. Solo el modo en que las páginas se vuelven imágenes eliminaría otra vez el texto reconocido, así que evítalo después del OCR.
¿Mis archivos PDF se suben a un servidor?
No. Todo el proceso se ejecuta dentro de tu navegador con JavaScript. Tus archivos PDF nunca salen de tu dispositivo; por eso la herramienta sigue funcionando aunque te quedes sin conexión después de cargar la página.
¿De verdad esta herramienta es gratis?
Sí. No hay registro, ni límite diario, ni marcas de agua, ni plan de pago. El sitio se sostiene con la publicidad que se muestra en la página, no cobrando por las herramientas.