OCR para PDF

Un PDF buscable, a veces llamado «imagen más texto», guarda dos cosas por página: el escaneo original como imagen y una capa invisible de texto reconocido colocada exactamente sobre las palabras impresas. Los visores dibujan la imagen y usan el texto para buscar, seleccionar, copiar y para los lectores de pantalla. El aspecto no cambia en nada, y por eso archivos, despachos de abogados y departamentos de registros lo prefieren para el papel escaneado.

PDF pasó a ser el estándar abierto ISO 32000 en 2008, y PDF/A, el perfil de archivo definido en ISO 19005, se usa mucho para registros escaneados que deben seguir siendo legibles durante décadas. Adobe Acrobat ofrece el mismo trabajo con su herramienta Escanear y OCR, y muchos escáneres de oficina tienen una salida «PDF buscable»; el resultado aquí es un PDF común que se abre en cualquier visor.

El PDF buscable es la opción correcta cuando el escaneo mismo es el registro: un acuerdo firmado, una escritura, un informe médico. Las otras salidas crean un documento nuevo a partir de las palabras reconocidas, lo cual sirve si va a editarlo, pero la copia es tan buena como el reconocimiento. Para obtener un Word de un PDF que ya tiene texto real, use convertir PDF a Word, que lee el texto existente sin OCR; si solo necesita las palabras, PDF escaneado a texto está preparado para eso.

Una capa de texto apenas aumenta el peso del archivo, porque el texto ocupa muy poco frente a las imágenes de página. Si el escaneo ya pesaba demasiado para un formulario de carga, aplique primero el OCR y luego comprima el PDF al peso que permita el formulario.