OCR gratis: extraer el texto de una imagen o de un PDF escaneado
Esta página reúne las dos formas de usar el reconocimiento óptico de caracteres (OCR) en Warizma: a partir de una foto o de un escaneo en imagen, o a partir de un PDF ya escaneado. En ambos casos, el mismo motor transforma una imagen de texto en texto realmente aprovechable —copiable, editable, con búsqueda— y no en un simple dibujo de letras.
Por qué dos herramientas para la misma tecnología
Una foto de un libro hecha con el teléfono y un PDF escaneado por una fotocopiadora no plantean exactamente las mismas cuestiones: la primera plantea problemas de encuadre, inclinación e iluminación propios de la toma a pulso, mientras que el segundo suele estar ya bien alineado, pero puede contener varias decenas de páginas o ser ya «secretamente» buscable si un programa ha incorporado una capa de texto. Separar las dos intenciones de búsqueda en dos páginas permite a cada una explicar lo que le es propio, compartiendo entre bastidores el mismo motor de reconocimiento.
Qué determina la calidad del resultado
Contrariamente a una idea extendida, la calidad de un OCR depende ante todo de la imagen enviada, no del propio motor de reconocimiento: un documento bien plano, bien iluminado y nítido dará un excelente resultado incluso con un motor corriente, mientras que una foto borrosa y torcida hará fracasar al mejor de los motores. Por eso esta herramienta aplica un preprocesamiento automático —enderezado, reducción de ruido, cambio de escala— antes de lanzar el reconocimiento, y señala las páginas en las que el resultado sigue siendo poco fiable, en lugar de entregar en silencio un texto incorrecto.
Tres formatos de salida
Cada procesamiento produce el texto sin formato (copiable directamente), un documento Word (un párrafo por bloque de texto detectado) y un PDF con búsqueda que conserva el aspecto de la imagen original y permite al mismo tiempo seleccionar y copiar su contenido: útil para archivar un documento manteniéndolo indexable por un lector PDF. El archivo enviado se elimina automáticamente 30 minutos después del procesamiento, sin registrarse ni reutilizarse jamás.