OCR PDF

¿Qué es el OCR y qué cambia después de ejecutarlo?

El Reconocimiento Óptico de Caracteres (OCR) convierte una imagen de texto en caracteres de texto reales que un ordenador puede copiar, buscar e indexar. Un PDF «escaneado» no es más que una pila de imágenes de páginas pegadas dentro de un contenedor PDF; las palabras que ves son píxeles, no letras. Tras el OCR, el documento tiene una capa de texto invisible colocada sobre esos píxeles (de modo que parece idéntico pero Ctrl+F funciona), o bien has extraído el texto a un archivo .txt sin formato que puedes pegar en otro sitio. Arriba se ofrecen ambos modos.

Cómo funciona el OCR en esta página

Usamos Tesseract.js —la compilación a WebAssembly del motor de código abierto Tesseract de Google— ejecutándose dentro de la pestaña de tu navegador. Cuando haces clic en Ejecutar OCR:

1. Cada página de tu PDF se rasteriza en un lienzo a 300 PPP con PDF.js.
2. Los píxeles del lienzo se pasan a Tesseract.js, que devuelve el texto reconocido más los cuadros delimitadores por línea.
3. Para el PDF con búsqueda, copiamos tus páginas originales en un PDF nuevo y superponemos el texto reconocido con opacidad 0: invisible a la vista, pero seleccionable y con búsqueda.
4. Para Solo texto, concatenamos el texto de cada página en un único archivo .txt.

Nada de esta tubería llama a un servidor: PDF.js, Tesseract.js y pdf-lib se ejecutan del lado del cliente. La única petición de red relacionada con el OCR es la descarga única del modelo de idioma entrenado (de unos 5 a 15 MB por idioma), que tu navegador guarda luego en caché para la próxima vez.

Expectativas honestas

• Texto impreso limpio a 300 PPP: normalmente del 95 % al 98 % de precisión por carácter. Suficiente para buscar y para copiar/pegar con una pequeña corrección.
• Baja resolución (menos de 200 PPP) o páginas fotografiadas: la precisión cae en picado; Tesseract necesita bordes de letra nítidos. Vuelve a escanear a mayor PPP si puedes.
• Diseños a varias columnas y tablas: el texto vuelve fila por fila a través de las columnas. No lo reorganizamos en un orden lógico de lectura. Para tablas, considera PDF a Excel.
• Escritura a mano: no se admite de forma fiable. Tesseract está entrenado con tipografía impresa; los caracteres manuscritos suelen volver ilegibles.
• Mezcla intensa de alfabetos: si una página es mitad árabe y mitad latín, elige el que predomine. El OCR multialfabeto es posible, pero más lento y menos preciso.

Privacidad y seguridad

El OCR es una categoría donde el procesamiento en el navegador resulta especialmente valioso. Los documentos escaneados suelen ser de lo más sensible que posee la gente —copias de pasaporte, declaraciones de impuestos, contratos, historiales médicos, contratos de alquiler— y enviarlos a un servidor de terceros crea un rastro que no puedes borrar. Como cada byte de la tubería se ejecuta de forma local, no hay subida que registrar, ni archivo temporal que requisar, ni periodo de retención en el que confiar. El propio motor de OCR es de código abierto e inspeccionable.