PDF escaneado o digital: cómo distinguirlos

Los dos tipos de PDF

Por fuera, ambos parecen iguales. Por dentro, son muy diferentes:

• PDF digital (nativo): creado con un programa, como Word, el sistema de un banco o un emisor de facturas. Las letras son texto real: puedes seleccionarlas, copiarlas y buscarlas con Ctrl+F. Además, el archivo suele ser ligero.
• PDF escaneado (imagen): creado con un escáner o a partir de fotos. Cada página es una imagen. La computadora «ve» píxeles, no letras.

También existe un tercer tipo: el PDF escaneado con OCR. La imagen sigue ahí, pero incluye una capa de texto invisible que permite buscar y copiar.

Tres pruebas que puedes hacer en 10 segundos

1. Seleccionar: haz clic y arrastra sobre una frase. Si las letras se resaltan en azul una por una, hay texto. Si aparece un rectángulo sobre toda la página o no pasa nada, es una imagen.
2. Buscar: pulsa Ctrl+F (en Mac, Cmd+F) y busca una palabra que veas en el documento. Si no aparece ningún resultado, es una imagen sin OCR.
3. Ampliar: aumenta bastante el zoom. El texto digital se mantiene nítido a cualquier escala; una página escaneada se ve pixelada y muestra manchas del papel.

En el celular, mantén pulsada una palabra: si aparece la opción para copiar junto con los controles de selección, hay texto.

Por qué es importante

• Copiar y convertir: los convertidores a Word o Excel necesitan texto. Si el PDF está escaneado, solo obtendrás imágenes. Esta es la causa más común de que «lo convertí y todo salió como imagen».
• Buscar: en un expediente de 300 páginas escaneadas, encontrar un nombre sin OCR significa leerlo todo.
• Tamaño: los PDF escaneados ocupan mucho más espacio. Un contrato digital de 10 páginas puede ocupar unos cientos de KB; si está escaneado en color, puede superar los 10 MB. La compresión funciona mejor en estos archivos porque reduce el tamaño de las imágenes.
• Accesibilidad: los lectores de pantalla que usan las personas ciegas no pueden leer un PDF que solo contiene imágenes.
• Sistemas oficiales: algunos sistemas para enviar documentos requieren un PDF con texto reconocible. Consulta las instrucciones de quien lo recibirá.

Cómo convertir un PDF escaneado en uno con texto reconocible

1. Abre OCR de PDF y selecciona el archivo escaneado (o las fotos de las páginas).
2. Elige el idioma del documento y el formato de salida: PDF con texto reconocible, texto o ambos.
3. Haz clic en Reconocer texto. La primera vez, se descarga el modelo de idioma y se guarda en el navegador.
4. Descarga el resultado y vuelve a probar la búsqueda.

Si el PDF ya es digital y solo necesitas el contenido en texto sin formato, usa PDF a texto: la conversión es instantánea. Si el problema es el tamaño del PDF escaneado, Comprimir PDF reduce el tamaño de las imágenes de las páginas.

Consejos para obtener mejores resultados con OCR

• Digitaliza con buena iluminación, el papel recto y sin sombras de la mano o del celular.
• Los documentos torcidos o con el fondo gris generan más errores. Enderezarlos y aclararlos antes ayuda mucho.
• Revisa los números, los documentos de identidad y los importes: ahí se producen los errores más costosos. El reconocimiento puede confundir el 0 con la O y el 1 con la l.
• La escritura a mano y las letras muy pequeñas se reconocen mal con cualquier herramienta.

¿Y si el PDF digital se comporta como una imagen?

A veces la prueba de selección funciona, pero el texto copiado aparece como una secuencia de símbolos sin sentido. Esto ocurre cuando el programa que generó el PDF incrustó las fuentes con una codificación propia: las letras se ven bien en pantalla, pero la computadora no sabe a qué carácter corresponde cada forma.

En la práctica, este archivo debe tratarse como escaneado. Pásalo por OCR, que reconoce las formas de las letras como lo haría una persona, y trabaja con el texto reconocido. Lo mismo ocurre con los PDF que algún sistema «imprimió como imagen» para evitar que se copien.

Preguntas frecuentes