Convertir PDF escaneado a texto
Si no puede resaltar ni una sola palabra de un PDF, es un escaneo: una pila de fotos de páginas sin texto dentro. Súbalo aquí y el OCR lee cada página y la devuelve como texto sin formato que puede copiar, buscar y editar.
Imagen a texto
o suelte aquí archivos PDF, JPG, JPEG … ·
Máx. 95 MB por archivo· Hasta 20 archivos· Se borran a los 30 minutos
Los archivos se procesan en nuestros servidores y se borran a los 30 minutos.
Para páginas que mezclan dos idiomas, por ejemplo hindi con palabras en inglés. En los demás casos, deje Ninguno; un idioma adicional reduce un poco la precisión.
Conservar mantiene las columnas, los párrafos y las tablas donde estaban. Continuo genera un único bloque de texto, más fácil de pegar en formularios.
Entradas PDF y TIFF multipágina: leer todas las páginas, solo la primera o un rango.
Páginas que se leerán, por ejemplo 1-3, 5, 8-10.
Cómo usar esta herramienta
- 1
Suba el PDF escaneado
Agregue el PDF, o hasta 20, de 95 MB como máximo cada uno. También funcionan los escaneos TIFF de varias páginas y las imágenes de una sola página.
- 2
Elija el idioma y las páginas
Idioma del documento está en inglés y Salida en Texto sin formato (.txt). Cambie el idioma para documentos en otras lenguas, y en Opciones avanzadas use Páginas para leer solo un rango de un archivo largo.
- 3
Reconozca el texto
Pulse Reconocer texto. Primero se enderezan las páginas y se ponen en vertical, y después se leen en orden en un único archivo de texto.
PDF escaneado frente a PDF buscable: por qué falta el texto
- PDF de solo imagenPDF escaneado · PDF no buscable · PDF plano
- Un PDF cuyas páginas se guardan como imágenes, normalmente generado por un escáner, la función de escanear a correo de una fotocopiadora o una app de escaneo del teléfono. Parece un documento, pero no contiene códigos de caracteres, así que nada se puede seleccionar, buscar ni leer en voz alta.
Un PDF normal exportado desde Word o un navegador contiene objetos de texto: cada palabra se guarda como caracteres con una fuente y una posición, así que la búsqueda y la copia funcionan. Un escáner se salta todo eso y guarda una imagen por página. Para una computadora, la página con su contrato es el mismo tipo de dato que la foto de un gato.
El OCR reconstruye la capa que falta. La imagen de la página se limpia, se localizan las líneas y las palabras, y la forma de cada carácter se compara con el alfabeto del Idioma del documento seleccionado. Esta página devuelve ese resultado como texto sin formato. El PDF buscable es el otro resultado habitual: el escaneo sigue visible y las palabras reconocidas se añaden detrás como texto invisible, un modo de representación que la norma PDF, ISO 32000, siempre ha permitido.
El Adobe Acrobat Reader gratuito puede mostrar un escaneo, pero no ejecuta OCR; el reconocimiento forma parte de las versiones de pago de Acrobat. Un convertidor es el atajo cuando necesita las palabras una sola vez y no quiere otra suscripción. Si sus escaneos siguen saliendo flojos, nuestra guía sobre cómo escanear documentos a PDF cubre los ajustes del escáner y del teléfono.
Resolución de escaneo para extraer texto de un PDF escaneado
| Size | Pixels | cm | in | DPI | Fits |
|---|---|---|---|---|---|
| Carta | 1700 × 2200 | 21,59 × 27,94 | 8,5 × 11 | 200 | Solo letra grande y limpia; el texto pequeño se adivina |
| Carta | 2550 × 3300 | 21,59 × 27,94 | 8,5 × 11 | 300 | Estándar para OCR de páginas impresas |
| A4 | 2480 × 3508 | 21 × 29,7 | 8,27 × 11,69 | 300 | Mismo detalle en papel A4 |
| A4 | 3307 × 4677 | 21 × 29,7 | 8,27 × 11,69 | 400 | Notas al pie, letra pequeña, páginas antiguas a máquina |
Cuando el texto de un PDF escaneado sale mal
Las palabras salen sin sentido en toda una página
Probablemente la página está en otro idioma o alfabeto. Ajuste Idioma del documento para que coincida y añada Reconocer también para un segundo idioma en la misma página.
Las líneas se cortan a mitad de frase y las palabras terminan en guion
Eso sigue los saltos de línea impresos. Elija Texto continuo en Disposición del texto para obtener un único bloque de texto; los guiones sobrantes requieren un rápido buscar y reemplazar.
Faltan algunas páginas en el archivo de texto
Compruebe que Páginas esté en Todas las páginas en Opciones avanzadas. Un rango como 1-3 limita el reconocimiento a propósito.
Portable Document Format
PDF fue creado por Adobe en 1993 y se convirtió en el estándar abierto ISO 32000 en 2008. Fija el texto, las fuentes, las imágenes y el diseño para que un documento se vea igual en cualquier pantalla e impresora. Los PDF pueden contener formularios, firmas, enlaces, archivos adjuntos y texto con búsqueda, y la variante PDF/A se usa para el archivo a largo plazo. El diseño fijo hace que los PDF sean difíciles de editar, y los PDF escaneados solo contienen imágenes a menos que se aplique OCR. Todos los navegadores y sistemas operativos pueden abrirlos.
- Compresión
- –
- Transparencia
- Sí
- Animación
- No
- Presentado en
- 1993 · Adobe
TXT
Texto plano
Un archivo TXT contiene solo caracteres simples, sin formato, fuentes, imágenes ni diseño. Los archivos de texto modernos suelen estar codificados en UTF-8, que abarca todos los idiomas, aunque los archivos antiguos pueden usar otras codificaciones y mostrar caracteres ilegibles. El texto plano ocupa muy poco, nunca queda obsoleto y se abre en cualquier dispositivo, desde teléfonos hasta servidores. No puede contener negritas, tablas ni imágenes, por lo que la estructura debe expresarse con espacios o con marcado sencillo.
- Compresión
- –
- Transparencia
- –
- Animación
- –
- Presentado en
- –
Un PDF escaneado guarda imágenes de páginas, así que sus palabras no se pueden copiar, buscar ni indexar; reconocerlas en un archivo TXT convierte el escaneo en texto que funciona en un editor, un traductor o un buscador.
Preguntas sobre convertir un PDF escaneado a texto
¿Cómo sé si mi PDF está escaneado o ya tiene texto?
Intente seleccionar una frase o buscar una palabra con Ctrl+F o Comando+F. Si el cursor selecciona la página entera como si fuera una imagen y la búsqueda no encuentra nada, es un escaneo de solo imagen y necesita OCR. Si las palabras se resaltan con normalidad, el texto ya está ahí y PDF a TXT lo extrae exactamente, sin paso de reconocimiento.
Para un PDF escaneado, ¿es mejor obtener texto sin formato o un PDF buscable?
El texto sin formato sirve para reutilizar las palabras: citarlas, traducirlas, pegarlas en una base de datos o en un correo. Un PDF buscable conserva el aspecto del escaneo y esconde el texto detrás, lo que conviene para archivos y contratos. Si quiere lo segundo, OCR para PDF está preparado para eso.
¿Qué resolución de escaneo da el mejor texto de un PDF?
300 DPI para páginas impresas normales. La documentación de Tesseract indica que la precisión baja con texto de menos de unos 10 pt a 300 DPI, así que las notas al pie y la letra pequeña mejoran con 400 DPI. Subir a 600 DPI rara vez ayuda al OCR y hace que el PDF pese varias veces más.
¿Puedo extraer texto de un PDF escaneado de un texto mecanografiado o de un libro antiguo?
Normalmente sí. Las letras de máquina de escribir y de libro son caracteres impresos regulares, y Enderezar páginas corrige la inclinación que suele producirse al escanear un libro encuadernado. Las páginas muy desvaídas se leen mejor con Mejorar contraste activado.
¿Por qué el texto de una página a dos columnas sale mezclado?
Las columnas se mantienen separadas cuando Disposición del texto está en Conservar el diseño, el valor predeterminado aquí. Si las líneas de ambas columnas siguen alternándose, el espacio entre ellas en el escaneo es estrecho; un escaneo más limpio y con las páginas rectas suele solucionarlo.
- OCR para PDFAgregue una capa de texto buscable y seleccionable a PDF escaneados, o extraiga el texto a Word o TXT. 34 idiomas, rangos de páginas, 20 archivos, gratis.
- Convertir PDF a TXTConvierta PDF a TXT gratis en línea. Las páginas digitales conservan sus caracteres exactos, las escaneadas pasan por OCR y obtiene un .txt UTF-8 por cada PDF.
- OCR en líneaOCR en línea gratis para fotos, capturas y PDF escaneados. Copie el texto o guárdelo en Word, PDF buscable o Markdown. Qué lee bien el OCR y qué no.
- Convertir PDF a WordPase un PDF a un Word editable de verdad. El texto vuelve a fluir en párrafos y las páginas escaneadas pasan por OCR en 34 idiomas. Hasta 20 archivos.
- Convertir imagen a WordPase capturas, escaneos y fotos a un documento de Word editable. Lee 34 idiomas, páginas con dos idiomas y letra manuscrita clara. Gratis, sin registro.