OCR de un PDF escaneado sin nube: extraer el texto en local

Te llega una carta escaneada: una resolución, una nómina, una factura antigua. El archivo es técnicamente un PDF, pero solo contiene una imagen: imposible buscar un nombre, copiar una cantidad o indexar el documento. El reflejo habitual es enviar el archivo a un servicio de OCR en línea — en iLovePDF, de hecho, el OCR está reservado al plan de pago. Esta herramienta hace lo mismo sin que el documento salga de tu navegador, y entrega dos resultados: el texto plano y un PDF con búsqueda.

Qué hace la herramienta, concretamente

El OCR de PDF de Document Flare lee cada página como imagen, la pasa al motor Tesseract compilado a WebAssembly y devuelve dos archivos:

• un .txt con el texto reconocido página a página;
• un -ocr.pdf donde cada página-imagen recibe una capa de texto invisible: el aspecto queda idéntico a la vista, pero el documento se vuelve buscable, copiable e indexable.

El procesamiento ocurre en tu navegador: ni el archivo, ni su contenido, ni el texto extraído pasan por un servidor. Los modelos están autoalojados bajo /tesseract/ y se sirven en el mismo origen — no hay CDN externo que autorizar. El worker de Tesseract, el núcleo WASM y los archivos de idioma quedan fuera del paquete inicial: solo se cargan cuando abres la herramienta.

IRIScan Executive 4 Pro — dúplex + OCRDúplex y OCR integrado para grandes volúmenes.afiliado

Cuándo usarla

• PDF escaneado sin capa de texto: un documento salido de un escáner o de una foto, que muestra una imagen de página sin texto seleccionable.
• Documento que quieres hacer buscable: recupera el -ocr.pdf para archivarlo o buscar a texto completo en tu lector habitual.
• Comprobación rápida antes de un procesamiento posterior: extraer el texto por páginas, dividir un PDF por palabra clave o copiar y pegar fragmentos.

Si el PDF ya contiene texto nativo, la herramienta muestra un aviso: el OCR sería redundante y menos fiable que la extracción directa.

Paso a paso

1. Elige el idioma o los idiomas. Marca los idiomas presentes en el documento. Francés e inglés vienen preseleccionados.
2. Deja que la herramienta detecte la capa de texto. Si el PDF ya contiene texto, un mensaje te propone forzar el OCR o cancelar.
3. Lanza el reconocimiento. Cada página se renderiza como imagen a escala 2 (unos 144 ppp) y luego la analiza Tesseract. El progreso se muestra página a página, con una puntuación media de confianza al final.
4. Recoge los resultados. El texto aparece en una zona copiable. Se proponen dos descargas: el .txt y el PDF buscable -ocr.pdf.

Los cinco idiomas disponibles

La interfaz ofrece cinco idiomas: francés, inglés, alemán, español y árabe. Puedes seleccionar varios, pero para un documento multilingüe conviene favorecer el idioma dominante: Tesseract suele dar mejores resultados con un modelo bien orientado que con una combinación incierta. La capa de texto invisible la genera el propio Tesseract, lo que preserva la ligadura de los caracteres árabes.

Primera descarga de los modelos

En el primer uso, el navegador descarga los modelos de los idiomas seleccionados (archivos .traineddata.gz), que Tesseract.js guarda después en la IndexedDB. La descarga inicial tarda unos segundos según la conexión y el número de idiomas; los usos siguientes son claramente más rápidos. Lanzado sin conexión y sin caché, el OCR devuelve un error: los modelos aún no están disponibles en local.

Límites y trampas

• El .txt no conserva el diseño. Columnas, tablas e imágenes no se restituyen en el texto plano. El PDF buscable, en cambio, mantiene intactas las páginas-imagen — la capa de texto se superpone sin recomponer el documento.
• Volumen limitado en gratis. Un solo archivo, 50 MB máximo, 100 páginas máximo. Más allá, la herramienta procesa las primeras 100 páginas y lo indica explícitamente; un Pass de 7 días opcional levanta ese tope.
• Resultado parcial posible. Si una página no puede fusionarse en el PDF final, falta en el -ocr.pdf (el .txt sigue íntegro) — el panel cuenta y muestra las páginas ausentes.
• La calidad depende del escaneo. Un documento borroso, deformado o inclinado producirá más errores. Puedes primero enderezar el escaneo.
• Sin conexión y sin caché: fallo. El primer uso necesita conexión para descargar los modelos.
• Escritura a mano no reconocida. Tesseract está pensado para imprenta; formularios manuscritos y firmas no se leerán de forma fiable.
• Capa de texto existente. Forzar el OCR sobre un PDF ya textual puede introducir errores donde la extracción nativa sería exacta.

Encadenamientos posibles

Un buen escaneo suele prepararse antes del OCR:

• Escanear un documento a PDF con la cámara, sin subida.
• Enderezar un PDF escaneado torcido para corregir una leve inclinación.
• Extraer el texto de un PDF si el documento ya tiene capa de texto.

Y si la pregunta de fondo es «¿hay que enviar de verdad este documento a un servicio en línea?», la comparativa alternativa local a iLovePDF detalla qué cambia cuando el archivo no sale.

Material para escanear

IRIScan Executive 4 Pro — dúplex + OCRDúplex y OCR integrado para grandes volúmenes.afiliado Brother DS-640 — escáner portátilEl clásico escáner de documentos portátil.afiliado Epson WorkForce ES-50 — escáner móvilEl más ligero para desplazamientos.afiliado