Cómo hacer que un PDF escaneado permita búsquedas con OCR

¿Cómo saber si un PDF es un escaneo?

Intenta seleccionar una frase con el ratón o buscar una palabra con Ctrl+F (Cmd+F en Mac). Si no se selecciona nada y la búsqueda no encuentra nada, aunque la palabra se vea perfectamente, la página es una imagen.

Es el caso de los documentos pasados por el escáner y de las fotos convertidas en PDF.

Hacer que el PDF permita búsquedas en 4 pasos

1. Abre la herramienta «OCR PDF» y selecciona tu PDF escaneado.
2. En «Idioma del documento», elige el idioma del texto. «Francés + inglés» sirve para los documentos que mezclan ambos.
3. Elige el resultado: «PDF con búsqueda» para conservar el mismo aspecto con texto seleccionable, o «Archivo de texto» para obtener solo el texto reconocido, página por página, en un archivo .txt.
4. Haz clic en «Iniciar el OCR» y descarga el archivo. Su nombre termina en «_ocr».

Con «PDF con búsqueda», la imagen de las páginas no cambia: el texto reconocido se coloca de forma invisible bajo cada línea, listo para buscarlo o copiarlo.

Conseguir un buen reconocimiento

• Parte de un escaneo nítido y bien contrastado: un texto borroso o pálido se reconoce mal.
• Endereza las páginas que estén al revés con «Girar PDF» antes de iniciar el OCR.
• Elige el idioma correcto: mejora claramente el reconocimiento de los acentos.
• Deja marcada la opción «Omitir las páginas que ya contienen texto»: en un documento mixto, solo se procesan las páginas escaneadas.
• Revisa las cifras y los nombres propios importantes: el OCR puede equivocarse, y está pensado para texto impreso más que manuscrito.

Si no se reconoce ningún texto, PDFRoll te lo indica: comprueba entonces el idioma elegido y la calidad del escaneo.

Antes y después del OCR

¿Partes de fotos hechas con el móvil? Empieza por «Escanear a PDF», que blanquea el fondo y refuerza el texto, y luego pasa el PDF obtenido por «OCR PDF».

Los escaneos suelen pesar mucho. Si necesitas aligerar el archivo, comprímelo antes del OCR, preferiblemente con la «Compresión recomendada»: una compresión hecha después podría volver a convertir las páginas en imágenes y borrar el texto reconocido, y una compresión demasiado fuerte antes del OCR hace que los caracteres sean menos nítidos y, por tanto, se reconozcan peor. Una vez reconocido el texto, «PDF a Word» te permite retocarlo en un documento editable.

¿Y la privacidad?

El reconocimiento lo hace tu navegador. La primera vez se descarga el motor de reconocimiento (unos pocos MB), pero tu documento nunca sale de tu dispositivo. Después, calcula unos segundos por página, según la potencia de tu dispositivo.