¿Qué es el OCR y cuándo lo necesitas? Un escaneo de 20 páginas, medido

El OCR en pocas palabras

Una página escaneada es una foto de un papel. Tú puedes leer las palabras, pero para un programa son puntos grises, como en cualquier otra imagen. El OCR, o reconocimiento óptico de caracteres, busca en esa imagen las formas de las letras y las convierte en texto real.

En un PDF, ese texto va a una capa invisible detrás de la imagen, con cada palabra colocada sobre su propia imagen. La página en sí sigue siendo una imagen. Pero ahora una palabra se puede seleccionar y copiar, Ctrl+F la encuentra y un lector de pantalla tiene algo que leer.

Sin esa capa, un escaneo queda cerrado para las tecnologías de apoyo. El W3C redacta las pautas de accesibilidad web, y su técnica para PDF escaneados, publicada solo en inglés, dice: «Las tecnologías de apoyo no pueden leer ni extraer las palabras». Cuando ya no existe el archivo original, la solución que propone es el OCR.

Tres comprobaciones: ¿tu PDF lo necesita?

Abre el PDF en cualquier visor e intenta seleccionar una palabra. Si las palabras se resaltan una a una, el archivo ya tiene texto. Si al arrastrar se dibuja un recuadro sobre toda la página, o no pasa nada, la página es una imagen.

Después busca una palabra que veas en la página, con Ctrl+F, o Cmd+F en un Mac. Si una palabra que está a la vista no da ninguna coincidencia, no hay texto detrás. Si una línea copiada se pega como un galimatías, normalmente la capa existe, pero está mal.

OCR PDF hace la misma comprobación por ti. Bajo la vista previa, la tabla «Comprobación del archivo final» muestra «Capa de texto, p. 1» antes y después, para la página que tienes abierta. En nuestro escaneo marcaba «no» antes y «sí» después; en un PDF impreso desde una página web, marcaba «sí» desde el principio.

Qué cambió el OCR en un escaneo de 20 páginas

El 23 de octubre de 2026 creamos un escaneo de prueba a partir de un documento de texto de 20 páginas y 5548 palabras. Cada página se convirtió en un JPEG gris de 1700 × 2200 píxeles a 200 ppi, sin texto en el archivo. El escaneo ocupaba 8 302 321 bytes, que la herramienta muestra como 7,9 MB.

Pasamos OCR PDF en Chrome, en un Mac, con sus valores predeterminados: Inglés, «Omitir texto existente», «Enderezar páginas torcidas» y «Girar páginas automáticamente». El resultado estuvo listo 50,7 segundos después de pulsar «Reconocer texto», con la subida incluida. La página decía: «Informe del servidor: se encontró texto en 20 de 20 páginas».

Después extrajimos el texto del resultado y lo comparamos con el original, palabra por palabra. De las 5548 palabras, coincidieron 5536, es decir, el 99,78 por ciento. Los fallos fueron números, como un 4, un 7 y 636, además de una palabra. Una búsqueda de la palabra inglesa «warranty» dio 243 resultados, tantos como en el documento original.

Las páginas siguieron siendo imágenes, las 20 y en el mismo orden. La capa de texto no hizo más pesado el archivo: volvió con 7,6 MB, un 4 por ciento menos que el escaneo. No llevaba etiquetas de encabezados ni de orden de lectura, que la técnica del W3C añade como un paso aparte. Nuestro escaneo era texto impreso limpio; no probamos fotos hechas con el móvil ni letra manuscrita.

Una página torcida, y qué pasa con las imágenes

Los escaneos suelen salir torcidos, así que también giramos 3 grados dos de las páginas. OCR PDF las dejó rectas: según la medición con ImageMagick, la inclinación pasó de 2,96 grados a cero. Coincidieron las 549 palabras de las dos páginas, y el trabajo tardó 15,8 segundos.

Enderezar tiene un precio. Con «Enderezar páginas torcidas» activado, la imagen de cada página se volvió a guardar como JPEG, también la de las páginas rectas. Después desactivamos esa opción y «Girar páginas automáticamente» en «Más ajustes». Las mismas dos páginas rectas volvieron con sus imágenes idénticas, byte a byte, a las escaneadas. Así que desactiva las dos cuando un archivo deba conservar sus imágenes originales.

Cuándo no necesitas OCR

La mayoría de los PDF creados con un programa ya tienen texto: un archivo exportado desde Word o una página impresa en PDF desde un navegador. Nuestro documento de 20 páginas era uno de ellos, impreso desde Chrome. OCR PDF lo devolvió en 2,1 segundos: «Este PDF ya tiene una capa de texto, así que no se añadió nada». En su lugar, el aviso remitía a repetir el OCR.

«Repetir OCR» sirve para una capa de texto que está mal, no para una que funciona. Si la búsqueda y la copia ya funcionan, deja la capa como está.

Para sacar las palabras de un PDF que ya tiene texto, PDF a texto lo lee en tu navegador, sin subirlo. Y una foto o un dibujo sin palabras no le da al OCR nada que encontrar.

Dónde se detiene nuestro OCR PDF

OCR PDF funciona en nuestro servidor, no en tu navegador. El archivo se sube cuando pulsas «Reconocer texto» y se borra en cuanto termina el trabajo. El resultado se puede descargar durante una hora y se elimina del servidor en unas dos horas.

Un trabajo admite un PDF de hasta 300 MB y 500 páginas. Puedes hacer 30 trabajos por hora entre todas las herramientas que usan nuestro servidor. Un libro más largo va por partes: nuestra guía para escanear un libro explica la cámara, las partes y los tres modos.

Lee cualquiera de los 15 idiomas del menú, hasta tres a la vez. Antes de pulsar «Reconocer texto», elige el idioma del escaneo en «Idioma del documento»: una página en ruso leída como inglés vuelve en letras latinas. Si en lugar de un PDF quieres un documento editable, PDF a Word reconoce el escaneo en el idioma que elijas en «Idioma de OCR», dentro de «Más ajustes».

Una imagen o una captura de pantalla no necesita ningún PDF. Imagen a texto lee JPG, PNG y otras imágenes en tu navegador y te da un archivo .txt. OCR PDF es una de las más de 200 herramientas gratis de PulsarKit, sin cuenta y sin suscripción.