OCR PDF online
OCR PDF convierte un PDF escaneado en uno en el que puedes buscar y copiar. Las palabras de cada página se leen y se añaden como una capa de texto oculta bajo la imagen de la página, y además recibes el texto en un archivo .txt. Todo ocurre en tu navegador, así que tu PDF nunca se sube.
Cómo hacer OCR a un PDF
OCR PDF sin subir el archivo
Un contrato escaneado, una carta antigua o una página fotografiada con el móvil se guardan en un PDF como una imagen. Tú puedes leerla, pero tu lector de PDF no: Ctrl+F no encuentra nada y no puedes seleccionar una frase para copiarla. El OCR, siglas en inglés de reconocimiento óptico de caracteres, lee las letras de esa imagen y las convierte en texto de verdad.
La mayoría de los servicios de OCR online lo hacen en sus servidores, lo que significa enviarles el documento entero. Aquí funciona en tu navegador. Cada página se dibuja en tu dispositivo y la lee Tesseract, un motor de OCR de código abierto muy conocido, que funciona dentro de la página. Puedes leer un PDF cada vez, de hasta 60 MB y 50 páginas, y el progreso se muestra como Leyendo la página 3 de 12 y así sucesivamente.
La primera vez, tu navegador descarga de este sitio el lector de texto y el archivo del idioma que elegiste: unos 5 MB para español y unos 6 MB para inglés. El archivo del idioma se queda en tu navegador, así que la siguiente vez empieza más rápido. Tu PDF nunca se envía a ningún sitio.
Hacer buscable un PDF escaneado
Suelta el PDF, elige Español o English y pulsa Hacer buscable. Cada página se dibuja a 200 DPI, se leen sus palabras y la página se rehace con la misma imagen y una capa de texto invisible colocada sobre las palabras. El resultado se ve como tu escaneo, pero en cualquier lector de PDF ya puedes buscar una palabra, seleccionar una línea y copiarla. El PDF buscable se guarda con el nombre original y -ocr añadido, así que escaneo.pdf pasa a ser escaneo-ocr.pdf. Como cada página pasa a ser una imagen nueva, el archivo puede salir más grande o más pequeño que el original, y los enlaces, los marcadores y los campos de formulario no se conservan.
Junto al PDF recibes el texto reconocido, en un recuadro debajo del resultado, página por página y cada una bajo una línea como --- Página 2 ---. Copiar texto lo pone todo en tu portapapeles, y el archivo .txt, llamado como escaneo-ocr.txt, guarda el mismo texto. Una página en la que no se pudo leer nada dice "No se encontraron palabras en la página 2." en lugar de dejar un hueco. Si tu PDF lo hizo un programa como Word y ya tiene texto de verdad, no necesitas OCR: PDF a texto saca ese texto directamente, letra por letra.
Consejos para un mejor OCR
El OCR es tan bueno como el escaneo. Las páginas nítidas y derechas con texto impreso en español o en inglés dan los mejores resultados. La letra a mano no se lee de forma fiable, y la letra muy pequeña, las copias claras, los sellos encima del texto y las páginas escaneadas torcidas pueden dar palabras erróneas o que faltan. Revisa siempre nombres, números e importes contra el escaneo antes de usar el texto.
Las páginas tienen que estar derechas antes de empezar. Una página que se ve de lado o del revés no se gira sola y sus palabras salen sin sentido, así que arréglala antes con rotar PDF. Un PDF de más de 50 páginas se puede cortar en partes con dividir PDF y leer cada parte por separado. Para cambiar palabras dentro de un PDF, usa el editor de PDF.