Convertir un PDF escaneado en texto (OCR)
Un formulario digitalizado, un contrato fotocopiado, una fotocopia de archivo: un PDF procedente de un escáner o de una fotocopiadora suele contener solo imágenes de páginas, sin ningún texto realmente presente en el archivo: es imposible buscar una palabra, copiar un extracto o hacer que lo lea un lector de pantalla. Esta herramienta convierte este tipo de PDF en texto sin formato, en documento Word o en PDF con búsqueda que conserva el aspecto del escaneo y pasa a ser indexable.
Primero, una comprobación que evita un procesamiento inútil
Antes de lanzar nada, la herramienta abre el PDF y comprueba si ya contiene texto extraíble: es el caso de un PDF exportado directamente desde un programa ofimático o ya procesado por otra herramienta de OCR previamente. Si se encuentra texto, se extrae directamente del archivo, sin pasar por el reconocimiento de imagen: más rápido y, sobre todo, más fiable que un reconocimiento que reinterpretase una imagen del texto ya presente tal cual en el archivo. Un mensaje le informa cuando se ha tomado este atajo. Solo si no se encuentra ningún texto —el caso de un verdadero escaneo, imagen por imagen— entra en juego el motor de reconocimiento óptico de caracteres.
Página a página, con un progreso real
Cada página de un PDF escaneado se rasteriza primero a alta resolución (300 puntos por pulgada, la referencia para un reconocimiento fiable) y se procesa después de forma individual: detección de una posible rotación de 90, 180 o 270 grados (frecuente en un lote de páginas digitalizadas en sentidos distintos), enderezado fino de la inclinación, reducción de ruido, umbralización y, por último, reconocimiento de los caracteres en el idioma o los idiomas que haya elegido. La barra de progreso avanza realmente página a página, no de forma arbitraria: en un documento de varias decenas de páginas, sabe en todo momento en qué punto está el procesamiento.
Tres salidas, un mismo contenido
El texto sin formato reúne el contenido de todas las páginas por orden, listo para copiarse. El documento Word añade un salto de página entre cada página de origen y un párrafo por bloque de texto detectado, para mantenerse cerca de la estructura original y seguir siendo modificable. El PDF con búsqueda reutiliza la imagen de cada página tal como se envió —sellos, firmas y encabezados incluidos— y le superpone una capa de texto invisible: el documento tiene exactamente el mismo aspecto que antes, pero pasa a poder buscarse y copiarse en cualquier lector PDF moderno.
Límites del límite de 20 páginas
El límite de 20 páginas por procesamiento no es arbitrario: mantiene un tiempo de procesamiento compatible con un uso interactivo (unas decenas de segundos en lugar de varios minutos), en servidores compartidos entre todos los visitantes del sitio. Para un documento más largo, dividirlo en varios PDF de menos de 20 páginas con la herramienta de división de PDF y procesar después cada parte sigue siendo la solución más sencilla.