OCR PDF

Abre el archivo en cualquier visor e intenta seleccionar una línea de texto. Si no se resalta nada o la búsqueda no encuentra coincidencias, las páginas son solo imágenes (un escaneo o una foto) y el OCR es lo que añade el texto que falta. Un PDF que ya tiene texto seleccionable no necesita esta herramienta.

Se listan más de 100 paquetes de idioma de Tesseract, desde inglés y español hasta árabe, hindi, japonés y chino. Marca todos los idiomas que aparezcan en el documento; los paquetes se cargan juntos para que las páginas con varios idiomas se reconozcan de una sola pasada. Algunas instalaciones autoalojadas incluyen una lista más corta y lo indican sobre el selector de idioma.

No. Las páginas originales se copian sin cambios y se dibuja encima una capa de texto invisible, colocada palabra por palabra para coincidir con el escaneo. Ves la misma imagen que antes, pero ahora puedes buscar, seleccionar y copiar el texto.

Alta (288 DPI) es la opción predeterminada y sirve para documentos de oficina típicos. Baja a Estándar (192 DPI) cuando importe la velocidad o el archivo sea largo, y usa Ultra (384 DPI) para letra pequeña, notas al pie o escaneos de mala calidad. Los ajustes más altos tardan bastante más porque cada página se renderiza a ese tamaño antes del reconocimiento.

Restringe el resultado a un conjunto fijo de caracteres, lo que reduce errores como que una l minúscula se lea como un 1. El preajuste Factura permite solo dígitos y los símbolos $ . , / - # :, Solo números sirve para números de serie o lecturas de contadores, y Personalizado te deja escribir tu propio conjunto.

No de forma fiable. Tesseract está entrenado con texto impreso, así que las mayúsculas de imprenta ordenadas a veces funcionan, pero la letra cursiva produce sobre todo ruido. Los resultados son mejores en páginas impresas limpias y bien iluminadas; la opción Binarizar ayuda con escaneos desvaídos o de poco contraste, y Enderezar PDF endereza primero los inclinados.

Sí. Cuando termina el OCR, el texto extraído aparece en un cuadro donde puedes revisarlo, copiarlo al portapapeles o descargarlo como ocr-text.txt. La descarga del PDF con texto buscable es independiente, así que puedes llevarte una o ambas.

No. Tesseract se ejecuta como WebAssembly dentro de tu navegador; las únicas descargas son el motor de OCR y los paquetes de idioma que seleccionaste, que se obtienen la primera vez que hacen falta. Las páginas escaneadas y el texto reconocido se quedan en tu dispositivo.