OCR PDF: ¿cómo sacar el texto de un PDF escaneado?

¿Qué es el OCR de un PDF?

Un escáner o un móvil guarda una foto de la página. El PDF resultante parece un documento, pero no contiene letras, solo píxeles. El reconocimiento óptico de caracteres (OCR) localiza las letras en la imagen y las convierte en texto, que entonces se puede copiar, buscar o traducir.

Para saber si su PDF lo necesita, intente seleccionar una palabra. Si se marca solo esa palabra, el texto ya está ahí. Si se selecciona toda la página de golpe, o nada, es un escaneo y hay que pasarlo por OCR.

Convertir un PDF con OCR gratis en Google Drive

1. En un ordenador, suba el PDF o la foto a Google Drive.
2. Haga clic con el botón derecho en el archivo.
3. Elija Abrir con y luego Documentos de Google.

Formatos

PDF, también de varias páginas, y fotos .jpeg, .png o .gif[1]

Tamaño

2 MB como máximo por archivo[1]

Resolución

Letras de al menos 10 píxeles de alto[1]

Orientación

La página derecha, girada antes de subirla[1]

Formato del texto

Se suelen conservar la negrita, la cursiva, la fuente y los saltos de línea. Es poco probable que se detecten listas, tablas, columnas y notas a pie de página[1]

Para un texto corrido en su idioma original, por ejemplo una carta, es la solución más sencilla. Si solo quiere el texto en el idioma del escaneo, Google Drive le basta. LoreAI está pensado para traducir el documento y devolverlo con su maquetación.

Pasar un PDF escaneado a Word sin perder las tablas

El OCR devuelve letras, no la estructura de la página. Una partida de nacimiento, un expediente académico o una factura se apoyan en tablas, y Google advierte de que es poco probable que se detecten[1]. El resultado es un texto plano en el que los campos y sus valores van uno tras otro, sin un orden claro.

Abrir el PDF directamente en Word tampoco resuelve un escaneo. Microsoft explica que la conversión funciona mejor con archivos que son sobre todo texto, y que si el PDF es sobre todo gráficos la página entera puede mostrarse como una imagen, con el texto sin editar[2].

LoreAI lee el escaneo, traduce el texto y reconstruye la página en un archivo Word con títulos, párrafos, listas y tablas en el orden del original. Los nombres y los números quedan tal como están escritos, y usted decide si las imágenes de la página pasan al archivo.

Traducir un PDF escaneado en un solo paso

No todos los traductores tratan los escaneos igual. Adobe explica que, para traducir un PDF escaneado con un traductor automático, antes hay que aplicarle OCR con un programa como Acrobat y luego subir esa versión al traductor[3]. DeepL recomienda sus aplicaciones de escritorio o móviles para los documentos escaneados[4]. Google Traductor acepta PDF de hasta 10 MB y 300 páginas[5].

1. Cree una cuenta gratuita de LoreAI. Su primer documento es gratis, de hasta 3 páginas y 3 MB.
2. Suba el PDF escaneado. O una foto de la página en JPG o PNG.
3. Elija el idioma de destino. El idioma del escaneo se detecta solo, y puede elegir entre 105 idiomas de destino.
4. Descargue el archivo Word. Los títulos, las tablas, los nombres y las cifras llegan en el orden del escaneo, en un texto que puede editar.

¿Cómo escanear para que el OCR salga limpio?

• Ponga la hoja plana, con luz uniforme, sin sombras ni reflejos.
• Encuadre la página entera, derecha, sin cortar los bordes.
• Que la letra salga grande. Para su OCR, Google Drive pide letras de al menos 10 píxeles de alto[1].
• Busque un fondo claro y buen contraste. Google aconseja imágenes nítidas con iluminación uniforme[1].

Sellos, firmas y escritura a mano

Un documento oficial mezcla a menudo texto mecanografiado, sellos y anotaciones a mano. LoreAI trata las tres cosas en la misma página. Las anotaciones manuscritas y el cuerpo del documento vuelven como texto, y los sellos quedan en su sitio dentro del archivo Word. Los nombres, las fechas, los números de expediente y los importes quedan tal como están escritos.

Si el documento traducido va a un organismo español, puede que le pidan una traducción jurada. LoreAI no es un servicio de traducción jurada. Esa traducción la firma y sella un traductor jurado con título del Ministerio de Asuntos Exteriores, Unión Europea y Cooperación[6].

¿Y para una sola página?

Para sacar el texto de una foto o de la primera página de un PDF sin traducirlo, use la herramienta gratuita imagen a texto. Si quiere esa página como documento Word con sus tablas, vaya a JPG a Word. Para saber cuántas palabras tiene un escaneo antes de encargar su traducción, use el contador de palabras de PDF.

¿Qué pasa con sus archivos?

LoreAI borra el archivo subido justo después de leerlo, en su propio servidor y en el de su proveedor de reconocimiento de caracteres. El texto extraído, la traducción y el archivo Word se eliminan solos aproximadamente una hora después, salvo que active Keep my translated documents en los ajustes. Los detalles están en la política de privacidad (en inglés).

Preguntas frecuentes