OCR de PDF

Un escáner produce una fotografía. El PDF resultante parece un documento y se comporta como una imagen: tú ves las palabras y tu ordenador no, porque el archivo contiene una cuadrícula de píxeles y no caracteres. Nada puede buscarlo, no se puede copiar texto de él, ningún lector de pantalla puede leerlo en voz alta y ningún conversor puede convertirlo en un archivo editable.

Esa carencia importa sobre todo en los archivos donde es más frecuente. Un archivador escaneado a PDF no permite búsquedas, lo que significa que encontrar una factura entre cuatro mil es un trabajo manual. Los contratos escaneados para el expediente no se pueden revisar en busca de una cláusula. De los artículos de investigación no se puede citar sin volver a teclear.

El reconocimiento óptico de caracteres cierra esa carencia. Se analiza la imagen de la página, se reconocen las formas como caracteres y el texto resultante se escribe en el PDF como una capa invisible colocada exactamente sobre las palabras de las que salió. La página se ve idéntica y se ha convertido en un documento.

La resolución, en primer lugar. Unos 300 DPI son el punto óptimo para el texto: suficiente detalle para distinguir letras parecidas sin generar archivos innecesariamente grandes. Por debajo de unos 200 DPI la precisión cae en picado, porque los trazos finos que separan un carácter de otro dejan de captarse por completo.

Después, el contraste y la geometría. El texto negro limpio sobre blanco se reconoce mucho mejor que un texto gris sobre un fondo con color o una fotografía tomada en ángulo. La inclinación se corrige automáticamente, igual que el giro de la página, y ambas cosas ayudan de forma notable: el reconocimiento trabaja línea a línea, así que una página torcida unos grados es mucho más difícil que esa misma página enderezada.

El propio contenido marca el techo. La prosa corriente en una tipografía estándar es el caso fácil. Las tablas densas, las varias columnas, las fuentes decorativas, la notación matemática y el texto sobre imágenes son todos más difíciles. La escritura a mano es un problema genuinamente distinto y el OCR estándar no lo resuelve, por bueno que sea el escaneo.

El reconocimiento usa mucho más que la forma de las letras. Cada modelo de idioma aporta un juego de caracteres, unas combinaciones de letras esperables y unos patrones de palabras, y todo eso resuelve las ambigüedades que la forma por sí sola no puede: la diferencia entre rn y m, entre 1 y l, entre O y 0 depende de qué tendría sentido dentro de la palabra que la rodea.

Elegir el idioma equivocado degrada, por tanto, todas las líneas y no solo los caracteres acentuados. Un documento en alemán procesado como inglés pierde las diéresis y lee mal las palabras compuestas largas; un documento en ruso o en chino procesado como inglés no produce nada aprovechable, porque los caracteres no están en el modelo.

En documentos realmente bilingües, elige el idioma que sostenga la mayor parte del texto corrido. Los nombres, las direcciones y las citas cortas en otro idioma suelen sobrevivir; un documento mitad y mitad perderá precisión elijas lo que elijas.

El orden importa más de lo que parece. Haz el OCR antes de comprimir, porque la compresión remuestrea las imágenes de las páginas y las imágenes más blandas se reconocen con menos fiabilidad; y la capa de texto en sí no añade casi nada al tamaño del archivo, así que no se pierde nada haciéndolo en ese orden.

También antes de convertir. PDF a Word, PDF a Excel y PDF a Markdown necesitan texto con el que trabajar; si solo les das imágenes, solo pueden devolverte imágenes. Añadir antes la capa de texto es lo que hace posible un resultado editable.

Y el OCR después de tachar, no antes, en cualquier documento que necesite ambas cosas. El tachado aplana las páginas que toca, lo que destruye cualquier capa de texto que hubiera en ellas: pasar el OCR después restaura la capacidad de búsqueda leyendo solo lo que ahora es visible, así que el contenido tachado sigue desaparecido.