OCR PDF
Los documentos escaneados son solo imágenes de texto: no puedes buscarlo, seleccionarlo ni copiarlo. Esta herramienta lee cada página con OCR y añade una capa de texto invisible, así que el PDF se ve exactamente igual, pero ahora se puede buscar y copiar. También puedes descargar el texto reconocido.
Última actualización:
Cómo usar OCR PDF
- Elige tu PDF escaneado arrastrándolo al recuadro o haciendo clic para buscarlo.
- Elige el idioma del documento (y un segundo idioma si el texto mezcla idiomas).
- Elige la precisión. Equilibrada sirve para la mayoría de los escaneos; usa 300 dpi para letra pequeña.
- Pulsa Iniciar OCR. La primera vez se descargan el motor de OCR y los datos del idioma; después, cada página tarda unos segundos.
- Descarga el PDF buscable, o descarga o copia el texto extraído.
Cómo funciona un PDF buscable
Un PDF escaneado guarda cada página como una imagen. Después del OCR, la página tiene dos capas: la imagen original que ves y, debajo, una capa de texto dibujada en modo invisible (modo de renderizado de texto PDF 3). Cada palabra reconocida se coloca y se estira para cubrir la palabra impresa, así que cuando buscas o arrastras para seleccionar, el resaltado cae en el lugar correcto. Un mapa ToUnicode indica a los lectores de PDF qué caracteres representa el texto, así que el texto copiado sale correctamente en cualquier idioma.
Cómo obtener los mejores resultados de OCR
| Problema | Qué ayuda |
|---|---|
| Letra pequeña, notas al pie, tablas | Usa el ajuste de precisión de 300 dpi. |
| Idiomas mezclados (p. ej. inglés y francés) | Elige ambos idiomas; el motor tiene en cuenta los dos diccionarios. |
| Fotos de páginas tomadas con el teléfono | Fotografía en línea recta desde arriba con buena luz; evita sombras y páginas curvadas. |
| Escaneos tenues o grises | Vuelve a escanear en blanco y negro o escala de grises a 300 dpi con más contraste. |
| Escritura a mano | Los motores de OCR están entrenados con texto impreso; la escritura a mano se reconoce mal. |
Ajustes de precisión explicados
Antes del reconocimiento, cada página se renderiza como imagen. Una resolución más alta da al motor más píxeles por letra, lo que ayuda con el texto pequeño, pero tarda más. Como regla general, los motores de OCR funcionan mejor cuando las mayúsculas miden al menos unos 20 píxeles de alto. En un texto de 10 puntos, las mayúsculas miden aproximadamente 20 píxeles de alto a 200 dpi y 30 píxeles a 300 dpi.
Preguntas frecuentes
¿Qué hace OCR PDF?
El OCR (reconocimiento óptico de caracteres) encuentra las letras en las imágenes de un PDF escaneado. Esta herramienta coloca las palabras reconocidas como texto invisible exactamente sobre las palabras impresas, así que el PDF se ve igual, pero puedes buscar en él, seleccionar texto y copiarlo.
¿Qué tan preciso es el OCR?
Los escaneos limpios y rectos de texto impreso a 200-300 dpi suelen alcanzar entre un 95 y un 99 por ciento de precisión por palabra. La precisión baja con fotos borrosas o torcidas, escritura a mano, letra muy pequeña, fuentes poco comunes y poco contraste. La vista previa colorea cada palabra según su nivel de confianza para que detectes las zonas dudosas.
¿Qué idiomas son compatibles?
Más de 70, entre ellos inglés, español, francés, alemán, portugués, italiano, ruso, árabe, hindi, chino, japonés y coreano. Elige el idioma en que está escrito el documento; seleccionar el idioma equivocado reduce bastante la precisión. Los datos del idioma se descargan una vez y tu navegador los guarda en caché.
¿El OCR cambiará el aspecto de mi PDF o reducirá su calidad?
No. Las imágenes originales de las páginas se mantienen intactas y la capa de texto es invisible. El tamaño del archivo solo aumenta un poco, normalmente unos pocos kilobytes por página.
¿Por qué se omiten algunas páginas?
Con la opción “Omitir páginas que ya tienen texto seleccionable” activada, las páginas que ya contienen texto real (por ejemplo, páginas escritas en Word) no vuelven a pasar por OCR, porque su texto ya se puede buscar y es más preciso que el OCR. Desmarca la opción para aplicar OCR a todas las páginas.
¿Se sube mi documento a un servidor?
No. El PDF se renderiza y se reconoce en tu navegador con pdf.js y Tesseract. Solo se descargan el motor de OCR y los datos del idioma; tu documento nunca sale de tu dispositivo.
¿Cuánto tarda el OCR?
Normalmente de 2 a 10 segundos por página en una computadora moderna, según el ajuste de precisión y la cantidad de texto de la página. La primera vez tarda más porque se descargan el motor y los datos del idioma.
¿Se prueban todas las herramientas de FreeToolCabin para comprobar su calidad y precisión?
Sí. Cada herramienta del sitio pasa pruebas automáticas en navegadores reales para comprobar que el resultado es correcto y que no hay errores. Si encuentras un fallo o tienes una sugerencia, escríbenos a [email protected] y lo revisaremos.