Hacer que un PDF escaneado permita buscar texto

Una capa invisible sobre una página sin cambios

El escaneo se conserva exactamente como estaba. Lo que se agrega es una capa de texto dibujada en un modo de representación invisible: caracteres reales, colocados palabra por palabra sobre las palabras de la imagen y marcados para que nunca se pinten. La página se ve idéntica porque visualmente no cambió nada; selecciona una oración y el resaltado cae sobre las palabras correctas porque el texto invisible está donde está la tinta visible. Esta es la forma estándar de crear un escaneo con texto buscable, y por eso el resultado se puede buscar, copiar e indexar sin dejar de ser una fotografía de un documento.

Dos aspectos de la página se corrigen a propósito, porque la lectura los necesitaba de todos modos. Una página escaneada de lado se pone derecha, y una página que pasó torcida por el alimentador se endereza; por eso el resultado a menudo queda más ordenado que el original. Los tamaños de página se mantienen como en el PDF original en lugar de unificarse, así que un documento con páginas de distintos tamaños sigue igual y no se reescala nada.

La precisión depende casi por completo del escaneo, y las diferencias son enormes. Un escaneo limpio a 300 DPI de texto impreso se lee con una precisión muy alta; la misma página a 150 DPI se lee notablemente peor; una foto tomada en ángulo y con poca luz es otra historia. Si tú controlas el escaneo, 300 DPI en escala de grises es la configuración que importa: más resolución rara vez ayuda, y menos perjudica de inmediato. La letra pequeña, el interlineado apretado, los fondos de color, las fotocopias de fotocopias y todo lo sellado o escrito a mano son más difíciles de maneras que ningún software resuelve del todo.

Lo que se deja fuera a propósito es tan importante como lo que se incluye. Las fotografías, los logos, las firmas y los gráficos decorativos se ignoran en lugar de leerse, porque forzar letras a partir de una imagen produce disparates verosímiles que luego aparecen en cada búsqueda. Las palabras en chino, japonés y coreano se reconocen, pero se dejan fuera de la capa de texto y se cuentan para informarte, en lugar de escribirse en blanco, hasta que se incluya una fuente que pueda representarlas. Nada de esto vuelve a componer el documento: las palabras de la página siguen siendo una imagen, y convertir a Word es la herramienta para convertirlas en texto editable.

Si buscas otra cosa

OCRmyPDF es la herramienta junto a la cual esta página es solo una comodidad, y es gratuita. ocrmypdf --deskew --rotate-pages in.pdf out.pdf hace el mismo trabajo con más control, y admite --optimize 3 para reducir el resultado, --redo-ocr para reemplazar una capa existente defectuosa y --output-type pdfa para producir un archivo de conservación en la misma pasada. Maneja miles de páginas, funciona vigilando una carpeta y es lo que realmente usan las bibliotecas y los archivos documentales.

Para material difícil (impresos históricos, diseños poco comunes, tablas complejas), un servicio en la nube de Google, Amazon o Microsoft leerá páginas que el reconocimiento de uso general no puede, porque está entrenado con muchísimo más material. Es una diferencia real de capacidad y conviene saberlo. También implica enviar tus documentos a un tercero, que es justo lo que esta página existe para evitar; así que es la opción adecuada para un libro antiguo y frágil, y la equivocada para una caja de historiales médicos.