Qué hace el OCR
Una página escaneada es una imagen. Puedes leerla, pero un ordenador solo ve puntos: no puedes buscar en ella, copiar una frase ni hacer que un lector de pantalla la lea en voz alta. El OCR (reconocimiento óptico de caracteres) encuentra las letras de la imagen y las convierte en texto real.
Con PDF con búsqueda, la herramienta mantiene las imágenes de las páginas exactamente como están y añade debajo una capa de texto invisible. El documento se ve igual, pero ahora puedes buscar con Ctrl+F, seleccionar y copiar texto, y encontrarlo con el buscador de tu equipo o de tu sistema de documentos. Con Texto sin formato (.txt), obtienes solo el texto reconocido, listo para pegar en un correo o en un documento.
Idiomas
El reconocimiento funciona mucho mejor cuando conoce el idioma. Elige todos los idiomas que aparezcan en el documento, hasta cuatro. Con menos idiomas, el reconocimiento es más rápido y preciso. Los idiomas disponibles son:
inglés, español, portugués, francés, alemán, italiano, neerlandés, sueco, danés, polaco, checo, eslovaco, húngaro, rumano, griego, ruso, turco, indonesio, vietnamita, tailandés, chino (simplificado), chino (tradicional), japonés y coreano.
Opciones para mejorar los resultados
- Enderezar páginas torcidas (activada por defecto): las páginas escaneadas con un ligero ángulo se giran para que queden rectas. Esto mejora el reconocimiento y hace que el documento se vea más limpio.
- Quitar el ruido del escáner: elimina motas y suciedad de los escaneos de mala calidad antes del reconocimiento.
- Páginas que ya tienen texto: Mantenerlas como están reconoce solo las páginas sin texto, lo adecuado para la mayoría de los escaneos. Rehacer el OCR sustituye una capa de texto antigua o defectuosa. Rasterizar y aplicar OCR a todo convierte cada página en una imagen y la reconoce de nuevo; úsalo cuando el texto existente salga ilegible.
Cómo conseguir un buen OCR
Lo que más importa es la calidad del escaneo. Escanea a 300 DPI; 200 DPI es el mínimo para texto normal, y la letra pequeña necesita más. En blanco y negro o en escala de grises es suficiente para texto. Las fotos hechas con el móvil sirven si la página está plana, nítida y bien iluminada de forma uniforme, tomada desde justo encima. El texto impreso se reconoce con mucha fiabilidad; la escritura a mano normalmente no se reconoce. Las tablas conservan su contenido, pero los diseños complejos con muchas columnas pueden salir en un orden de lectura distinto en el archivo de texto.
Procesamiento en el servidor, límites y privacidad
El OCR requiere mucha potencia de cálculo, por lo que se ejecuta en nuestro propio servidor con OCRmyPDF y Tesseract, dos conocidas herramientas de código abierto. Los archivos se envían mediante una conexión HTTPS cifrada, se procesan y se eliminan justo después; los resultados se borran en un plazo de 15 minutos. Un documento puede tener hasta 300 páginas y 100 MB. Los escaneos grandes tardan un poco; la página muestra el progreso y tu posición en la cola.
Otras herramientas de este sitio también usan OCR: PDF a Word y PDF a Excel reconocen automáticamente las páginas escaneadas, y DjVu a PDF puede hacer que el resultado admita búsquedas. Para reducir el tamaño de un PDF escaneado grande después del OCR, usa Comprimir PDF.