El OCR da texto raro o sin tildes: causas y soluciones
Por el equipo de FreePDF ·
Pasaste un escaneo por OCR, copiaste un párrafo y al pegarlo salió algo como «Ia fecba de vencirniento del afio». O las palabras están bien, pero media frase de la cuarta línea se ha colado en la segunda. El OCR adivina letras a partir de píxeles, y cuando falla, la culpa suele ser de la imagen de la página, no de un ajuste escondido. Con documentos en español hay además un motivo propio, que vemos más abajo.
Primero, mira toda la capa de texto
Buscar en el lector de PDF solo te dice si encontró una palabra concreta. Para ver todo lo que produjo el OCR, pasa el archivo ya procesado por PDF a Texto y lee el .txt que te devuelve. Normalmente reconocerás uno de estos casos:
- Una página vacía. Estaba de lado, era demasiado tenue o se saltó por completo.
- Palabras correctas en mal orden. Es un problema de maquetación: columnas, tablas o una página torcida.
- Palabras llenas de letras equivocadas. Aquí influyen la calidad de la imagen, la tipografía o el idioma.
PDF a Texto tiene además su propia casilla «Ejecutar OCR». Usa el mismo motor que OCR PDF, así que si lo único que necesitas es el .txt, puedes pasar del escaneo al texto en un solo paso.
Si el documento está en español
Nuestro OCR solo tiene datos del inglés y no hay ningún selector de idioma que cambiar. Un texto en español sale en buena parte legible, porque comparte alfabeto, pero la ñ y las vocales con tilde se pierden o se cambian por letras parecidas: «año» puede quedar como «ano» o «afio», y «revisión» como «revision». Para una búsqueda aproximada puede bastar. Para un texto que vas a reutilizar, no.
La solución es un OCR con el paquete de idioma adecuado. Si usas ocrmypdf en tu propio equipo (es la herramienta de código abierto que tenemos detrás), instala los datos de español de Tesseract y añade la opción -l spa+eng: así reconoce el español y también las palabras en inglés que se cuelan en muchos documentos de trabajo.
La página ya tenía texto
Nuestro OCR se salta cualquier página que ya contenga texto, para no escribir nunca encima de las palabras existentes. Casi siempre es lo que quieres. El problema llega cuando ese texto existente es precisamente la basura: algunos escáneres hacen su propio OCR, bastante tosco, y algunos PDF tienen fuentes que al copiar dan símbolos porque el archivo nunca registró qué carácter representa cada glifo. La herramienta ve que hay texto, deja la página como está y te devuelve el mismo desastre.
La salida es convertir antes las páginas en imágenes planas:
- Convierte el PDF con PDF a JPG, eligiendo Alta (300 PPP).
- Vuelve a juntar los JPG en un solo PDF con JPG a PDF. Revisa el orden antes de convertir, porque «Ordenar por nombre» coloca pagina_10 antes que pagina_2. Las flechas de subir y bajar lo arreglan.
- Pasa OCR PDF sobre el archivo nuevo.
La copia aplanada pierde los enlaces y los campos de formulario, así que guarda el original. Si te manejas con la línea de comandos, ocrmypdf tiene las opciones --force-ocr y --redo-ocr justo para este caso.
Arregla el escaneo, no los ajustes
Tesseract, el motor que hace el reconocimiento, rinde mejor con páginas limpias y rectas a unos 300 ppp. La mayoría de resultados ilegibles vienen de alguna de estas causas:
- Poca resolución o imagen movida. Vuelve a escanear a 300 ppp, o a 400 si la letra es pequeña. Ampliar después una imagen borrosa no recupera el detalle.
- Una página torcida. No enderezamos las páginas antes de leerlas, y basta una inclinación de pocos grados para separar líneas y empalmar trozos de líneas distintas. Escanéala recta o usa una app de escaneo que recorte y aplane automáticamente.
- Páginas de lado o boca abajo. Tampoco se giran solas. Pasa antes el archivo por Rotar PDF, teniendo en cuenta que gira todas las páginas.
- Poco contraste. Las copias en papel carbón desvaídas, el lápiz y el papel de color dificultan distinguir las letras del fondo.
Lo que el OCR lee mal pase lo que pase
Lo más difícil es la letra manuscrita. Tesseract está pensado para texto impreso, y las anotaciones a mano en el margen se convierten en ruido. Las tipografías caligráficas o muy decorativas dan problemas parecidos, igual que el texto impreso sobre una foto o un fondo con dibujo. Las tablas y las páginas a varias columnas a menudo tienen todos los caracteres bien pero se leen de lado a lado, atravesando las columnas: el texto se puede buscar, pero al copiarlo no tiene sentido. En esos casos el OCR te sirve para buscar, y si necesitas el texto exacto, toca volver a escribirlo.
Preguntas frecuentes
¿Pasar el OCR una segunda vez lo mejora?
No. La segunda pasada encuentra la capa de texto de la primera y se salta todas las páginas. Aplana el archivo como se explica arriba o, mejor aún, parte de un escaneo más limpio.
¿Por qué confunde el 0 con la O, o el 1 con la l?
A baja resolución esos caracteres tienen casi la misma forma, y el motor tiene que quedarse con uno. Un escaneo más nítido ayuda mucho. En importes de facturas, números de cuenta y cualquier dato en el que un dígito equivocado importe, compara el texto del OCR con la imagen de la página antes de fiarte.