OCR de PDF
Convierte un PDF escaneado en uno en el que puedes buscar, seleccionar y copiar. Las páginas se ven exactamente igual; las palabras van en una capa invisible por encima. Todo ocurre en tu navegador, así que tu escaneo nunca sale de este dispositivo.
Suelta aquí un PDF escaneado
Tu archivo se queda en este dispositivo. No se sube nada.
Cómo aplicar OCR a un PDF escaneado para poder buscar en él
- Suelta el PDF escaneado en el recuadro de arriba, o pulsa «Elegir un archivo PDF». Enseguida se comprueba qué páginas son imágenes y cuáles ya tienen texto.
- Elige el idioma en que está escrito el documento. Antes de descargar nada, se muestra cuánto ocupa.
- Pulsa «Aplicar OCR y descargar» y espera mientras se lee cada página. «Detener» lo cancela en cualquier momento.
- Abre el PDF descargado y busca en él. «Descargar el texto (.txt)» te da solo las palabras.
Qué hace OCR de PDF
Los escáneres y las apps de escaneo del móvil guardan cada página como una imagen. El PDF parece un documento y se comporta como una fotografía: no puedes buscar en él, seleccionar una frase ni hacer que te lo lean en voz alta. Esto lee las palabras de cada imagen y las coloca sobre la página como texto invisible, así que en el mismo archivo ya se puede buscar.
Lo que hace
- Lee el texto impreso de las páginas escaneadas y lo añade, página por página, como una capa invisible en la que se puede buscar
- Deja cada página exactamente como estaba; no se vuelve a dibujar ni a comprimir nada
- Se salta las páginas que ya tienen texto, y te dice cuáles son
- Lee dieciséis idiomas, entre ellos chino, japonés, coreano, hindi y nepalí, y cada uno se descarga de este sitio solo cuando lo eliges
- También te da el texto reconocido en un archivo .txt
Lo que no hace
- Subir tu escaneo: el motor de lectura funciona en esta pestaña del navegador
- Leer letra manuscrita
- Salvar un escaneo malo: la letra tenue, borrosa, diminuta o torcida sale con errores, y te dice qué páginas le han costado
- Reconstruir la maquetación como un documento editable; después, PDF a Word puede sacar el texto del archivo con OCR
- Leer todavía árabe ni otras escrituras de derecha a izquierda
- Enderezar páginas que están de lado; para eso pasa antes por Girar PDF
Última actualización
¿Necesitas enviárselo a alguien?
Nuestro sitio hermano QRSansar aloja un documento y te da un enlace corto y un código QR para él: práctico para WhatsApp, una diapositiva, un cartel o algo impreso, y evita del todo los límites de tamaño de los adjuntos. Puedes cambiar el archivo después y el enlace y el código QR siguen funcionando.
Conviene dejar clara la diferencia: eso es un servicio de alojamiento, así que tu archivo sí se sube a él. Todo lo de PDFsansar se queda en tu dispositivo; compartir es lo único que no puede.
Compartir un documento en QRSansar →Otras herramientas
Todas gratis, y todas funcionan en esta pestaña sin subir nada.
OCR de PDF: preguntas frecuentes
¿Se sube mi escaneo?
No. El motor de lectura, Tesseract, funciona en esta pestaña del navegador. La primera vez que lo usas, el motor y el idioma que elijas se descargan de este sitio, no del de nadie más, y tu navegador los guarda. El PDF en sí se lee y se reescribe en este dispositivo y no se envía a ninguna parte.
¿Cambiará el aspecto de las páginas?
No. Cada página queda exactamente como estaba. Las palabras entran como una capa invisible, colocada justo donde aparecen en el escaneo, así que al seleccionar una frase el resaltado cae sobre las palabras impresas. No se vuelve a dibujar ni a comprimir nada, y el archivo crece unos pocos kilobytes por página.
¿Qué idiomas puede leer?
Inglés, español, francés, alemán, portugués, italiano, indonesio, malayo, filipino, suajili, vietnamita, hindi, nepalí, chino simplificado, japonés y coreano. Elige el idioma en que está escrito el documento; cada uno se descarga solo cuando lo eliges, y antes se muestra cuánto ocupa. El árabe todavía no está disponible: se puede leer, pero algunos lectores de PDF muestran el resultado al revés, y una búsqueda que no encuentra las palabras no sirve de nada.
¿Cuánto tarda?
Unos pocos segundos por página en un ordenador. Medido en un equipo de 4 núcleos con Chrome, la media fue de 3 a 9 segundos por página: un recibo en el extremo rápido, una página entera de letra pequeña de revista en el lento, y la página más cargada tardó 11. En un móvil va más lento. La primera vez, el motor de lectura y el idioma se descargan antes de leer nada, unos 4 MB para el inglés, y después tu navegador los guarda. Puedes dejarlo trabajando en otra pestaña, y «Detener» funciona en cualquier momento.
¿Qué precisión tiene?
En páginas impresas y limpias, casi todas las palabras: en dos páginas de revista y de informe de un conjunto de prueba estándar de OCR, salió bien el 99 % de las palabras. En formularios reales escaneados en alemán, español, francés, japonés y chino, del 91 al 96 %. En recibos de tienda escaneados, con letra pequeña en papel térmico, el 79 %. Los errores se concentran en nombres, cifras y letra pequeña, así que revísalos antes de fiarte. Al terminar, se indican las páginas que le ha costado leer.
¿Qué pasa con las páginas que ya tienen texto?
Se dejan exactamente como están, y la página te dice cuáles son antes de empezar. Volver a leerlas pondría una segunda copia de cada palabra encima de la primera. Si todas las páginas ya tienen texto, lo dice y no hace nada.
¿Puede leer letra manuscrita?
No. Tesseract está hecho para texto impreso. La letra a mano sale como un galimatías o no sale nada, y al terminar se indica qué páginas no tenían nada legible.
¿Puedo sacar solo el texto?
Sí. Al terminar hay un botón para descargar el texto como archivo .txt, con las páginas en orden. Las páginas que ya tenían texto se incluyen tal como estaban.