OCR de PDF con capa de texto

Acerca de OCR de PDF con capa de texto

La herramienta trae dos motores de reconocimiento. El predeterminado, reconocimiento con IA, ejecuta en el navegador modelos de PaddleOCR mediante ONNX Runtime: PP-OCRv3 para localizar las líneas de texto y PP-OCRv5 mobile para leerlas. El reconocimiento básico usa el motor LSTM de Tesseract (tesseract.js) con los datos best_int de coreano e inglés. Ambos se descargan de este sitio y se ejecutan en tu equipo, así que el escaneo no viaja a ningún servicio de OCR.

El resultado no es una copia redibujada del PDF. El contenido de la página no se toca; cada palabra reconocida se añade encima, en su posición original, con el modo de renderizado de texto 3 de PDF, el que no rellena ni traza los glifos. Sigues viendo el escaneo, pero el visor usa esa capa oculta para buscar, seleccionar, copiar y para los lectores de pantalla.

Los dos motores leen la página de forma distinta

Tesseract analiza primero la maquetación de toda la página —bloques, párrafos, líneas— y después pasa cada línea a una red LSTM que devuelve la cadena de caracteres. Desde la versión 4.0 ese reconocedor neuronal de líneas es el predeterminado y sustituyó al antiguo clasificador de caracteres. Tesseract espera una imagen binarizada, así que antes de enviársela la herramienta aplana el fondo, aplica el umbral adaptativo de Sauvola y elimina motas. También le indica la resolución con user_defined_dpi para que no tenga que adivinar el tamaño de la letra.

La vía de PaddleOCR empieza con un detector DB (Differentiable Binarization) que genera un mapa con la probabilidad de que cada píxel sea texto. De ese mapa salen los recuadros de línea; cada línea se recorta y se escala a 48 píxeles de alto, y el reconocedor emite la cadena completa con decodificación CTC, sin tener que decidir dónde acaba cada letra. Las redes neuronales leen mejor los bordes suaves, por eso con la limpieza activada esta vía recibe una imagen en grises con el fondo aplanado, no una en blanco y negro.

El detector de IA mira la página reducida a 1600 píxeles en el lado largo. Subir los DPI casi no cambia dónde se encuentran las líneas; lo que mejora es la nitidez de cada línea recortada, que es donde se decide la precisión.

Por qué 300 DPI es el valor por defecto

La documentación de Tesseract afirma que funciona mejor con imágenes de al menos 300 DPI. Lo que cuenta de verdad es cuántos píxeles recibe cada carácter. A 200 DPI una línea de 10 puntos mide unos 28 píxeles de alto: suficiente para mayúsculas, pero justo para las tildes, la diéresis y la virgulilla, que ocupan unos pocos píxeles sobre la letra. Ahí es donde aparecen «publico» por «público» o «ano» por «año», errores que cambian el sentido.

Las opciones son 200, 300 y 400 DPI, y se parte de 300. Usa 400 para notas al pie, tickets y cualquier cosa por debajo de 8 puntos. Ten en cuenta que el ajuste solo controla cómo se renderiza la página para reconocerla: si el escaneo dentro del PDF se hizo a 150 DPI, renderizarlo a 400 agranda píxeles sin añadir detalle. Si pasar de 300 a 400 no cambia nada, has llegado al límite del escaneo original. Además el renderizado se detiene en 7000 píxeles de lado largo, así que los planos de gran formato se leen por debajo de los DPI elegidos.

Elegir idioma es elegir modelo

El reconocimiento con IA descarga un modelo por familia de escritura, una sola vez. Al elegir español se usa un modelo latino compartido (unos 7,7 MB) que también cubre francés, alemán, portugués y lenguas afines, con ñ, ç, acentos y diéresis. El coreano (unos 12,8 MB) lee además inglés y cifras, y el japonés usa un modelo CJK (unos 15,8 MB) que también lee caracteres chinos.

El reconocimiento básico solo incluye datos de coreano e inglés y no se ejecuta con español. Un documento en español debe ir por la vía de IA; con datos de inglés, cada tilde se forzaría a la letra sin acento más parecida.

Cómo decide si una página ya tiene texto

«Omitir páginas que ya tienen texto suficiente» no se salta cualquier página con algo de texto. Los escáneres suelen estampar el nombre del archivo o el número de página, y con una regla tan simple quedarían páginas escaneadas enteras sin reconocer. Solo cuenta como cubierta la página con al menos 80 caracteres cuyos recuadros ocupen al menos el 1 % de su superficie.

Aun así la herramienta comprueba algo más: renderiza la página a unos 100 DPI y busca tinta con forma de letra fuera de los recuadros de texto existentes, como una captura pegada en un documento de Word. Si hay mucha, la página se reconoce igualmente. Si una página ya tiene una capa OCR oculta de una pasada anterior, esa capa se elimina y se sustituye, para que la búsqueda no encuentre cada palabra dos veces.

Documentos que siguen dando problemas

La escritura a mano: ambos motores se entrenaron sobre todo con texto impreso, y las anotaciones en un formulario darán poco aprovechable. Los sellos sobre el texto, el subrayador intenso y los certificados con fondos de guilloché también bajan la precisión. El japonés vertical no se lee en la vía de IA, porque los recuadros altos y estrechos se descartan como líneas de tabla.

Conviene enderezar primero los escaneos torcidos con el modo de corrección de inclinación de la herramienta de mejora de escaneos. La detección trabaja con recuadros horizontales y basta una inclinación de tres o cuatro grados para que las líneas largas se mezclen con las de arriba y abajo.

Ejemplos

Cómo se usa

1. Añade el PDF escaneado; primero se indican las páginas que ya tienen texto.
2. Elige motor, idioma del documento, resolución (300 DPI por defecto) y rango de páginas.
3. Ejecuta y revisa en la vista previa los recuadros de palabras y la confianza media.
4. Descarga el PDF con capa de texto y el .txt, y prueba una búsqueda en tu visor.

Preguntas frecuentes

Guías relacionadas

• Cómo convertir un PDF escaneado en un documento con búsqueda: OCR y ajustes de escaneo