Sacar el texto de un PDF puede ser dos tareas muy distintas, según cómo se creó el PDF. Image to Text App resuelve las dos, y decide página a página, así que no necesitas saberlo de antemano.
PDF digitales y PDF escaneados
Un PDF digital lo ha creado un programa: exportado desde Word, guardado desde una página web o generado por un sistema de facturación. Sus páginas contienen texto real, y normalmente puedes seleccionar palabras en un visor de PDF. Cuando Image to Text App encuentra una página así, toma el texto directamente, sin OCR. Eso significa que no hay errores de reconocimiento y que es rápido.
Un PDF escaneado es un conjunto de imágenes de páginas en papel, procedentes de un escáner de oficina, una app de escaneo del teléfono o un fax convertido en archivo. No hay texto dentro, solo imágenes que parecen texto. Image to Text App lee estas páginas con OCR, una tras otra, y el progreso muestra por dónde va.
Muchos PDF son una mezcla de los dos: un contrato con la última página firmada y escaneada, o un informe con algunos anexos escaneados. Como cada página se comprueba por separado, las páginas digitales salen exactas y solo las escaneadas se leen con OCR.
Un detalle: algunos PDF digitales tienen la capa de texto dañada. Puedes seleccionar el texto, pero al copiarlo obtienes caracteres sin sentido o letras que faltan, normalmente por cómo se incrustaron las fuentes. Como ese texto se toma tal cual, el resultado mostrará el mismo problema. La solución es hacer una captura de pantalla de la página y pegarla aquí, para que se lea como imagen.
Cómo obtener buen texto de las páginas escaneadas
La calidad del escaneo determina casi todo el resultado. Si escaneas tú el papel:
- Escanea con una resolución pensada para documentos. 300 ppp es una opción habitual para texto, y con ajustes mucho más bajos la letra pequeña cuesta de leer.
- Elige escala de grises o blanco y negro para documentos de solo texto. El color aumenta el tamaño del archivo sin ayudar al reconocimiento.
- Coloca las páginas planas y rectas. La Mejora automática corrige una ligera inclinación, y puedes girar una página que haya entrado al revés.
Las fotocopias antiguas y los faxes suelen tener motas y trazos desvaídos. Reducir ruido ayuda con las motas, y subir el contraste ayuda con el texto tenue. Cada página se puede ajustar y volver a leer por separado sin tocar el resto.
Trabajar con documentos largos
Cada página del PDF aparece como una página propia en el espacio de trabajo. Puedes reordenar las páginas, volver a leer una, quitarla, o copiarla y descargarla por separado.
La vista Documento completo junta todas las páginas en orden, con búsqueda en todas ellas. Haz clic en una línea del texto y su lugar se ilumina en la imagen de la página, que es la forma más rápida de comprobar una cifra o un nombre.
El modo Documento une las líneas en párrafos y conserva los títulos y las listas. También hay opciones para unir líneas cortadas y volver a juntar las palabras partidas con guion al final de una línea, algo muy frecuente en libros e informes escaneados. Los encabezados, pies y números de página aparecerán en cada página; buscar y reemplazar permite quitarlos rápido.
Elegir un formato de salida
- Word (.docx) es el formato predeterminado aquí, listo para editar. Consulta imagen a Word para saber más sobre documentos editables.
- PDF con texto buscable mantiene el escaneo exactamente como estaba y añade una capa de texto invisible y seleccionable. Es la opción adecuada para archivar: el archivo sigue pareciendo el original, pero puedes buscar en él con Ctrl+F en cualquier lector de PDF.
- TXT, Markdown, HTML y JSON también están disponibles, como un único archivo combinado o como un ZIP con archivos separados.
Si el PDF contiene una tabla que necesitas en una hoja de cálculo, cambia esa página al modo Tabla y consulta imagen a Excel.
Límites que conviene conocer
Los escaneos impresos claros suelen leerse con mucha precisión. Las notas a mano en los márgenes, los formularios rellenados y las firmas son mucho más difíciles. Los sellos y las marcas de agua sobre el texto provocan errores, y los diseños de varias columnas pueden necesitar algún retoque donde se juntan las columnas. Las ecuaciones impresas sencillas se pueden leer en el modo Matemáticas, pero cualquier cosa compleja suele necesitar correcciones a mano.
Para saber más sobre la calidad del escaneo y qué esperar, lee cómo extraer texto de documentos escaneados.