Cómo convertir un PDF escaneado a Word, y por qué los resultados varían

Dos PDF pueden verse idénticos en pantalla y comportarse de forma totalmente distinta al convertirlos a Word. Uno se guardó desde un procesador de textos y contiene texto real. El otro lo hizo un escáner o la cámara de un teléfono, y cada página es una fotografía de un texto. Para convertir el segundo tipo en un documento editable, un convertidor tiene que leer primero las letras de la imagen y luego adivinar cómo estaba organizada la página. Los dos pasos pueden fallar, y esta guía explica dónde, por qué y qué puedes hacer al respecto.

Cómo saber si tu PDF está escaneado

La prueba más rápida es intentar seleccionar una sola palabra. Si el cursor dibuja un recuadro sobre toda la página en lugar de resaltar la palabra, la página es una imagen. Buscar con Ctrl+F (Cmd+F en Mac) es la segunda prueba: en una página escaneada no se encuentra nada, ni siquiera una palabra que estás viendo.

Ampliar también ayuda. El texto real se mantiene nítido con cualquier zoom, porque se dibuja a partir de una fuente. El texto escaneado se vuelve borroso y pixelado al ampliar, porque está hecho de píxeles.

Algunos escaneos son una mezcla. El software de los escáneres suele aplicar reconocimiento de texto al guardar el archivo y esconde el texto reconocido detrás de la imagen, para que puedas seleccionar y buscar. Pero ese texto oculto solo es tan bueno como lo que adivinó el escáner. Copia un párrafo en un editor de texto sin formato y verás exactamente lo que hay, errores de lectura incluidos.

Qué hace realmente el OCR

El OCR, o reconocimiento óptico de caracteres, es el proceso que convierte la imagen de un texto en caracteres. Funciona por etapas. Primero se limpia la imagen: se endereza si está inclinada y se ajusta su contraste. Después, el software localiza las zonas que contienen texto, las divide en líneas y palabras, y compara cada forma con lo que ha aprendido sobre el aspecto de las letras, usando un diccionario del idioma para resolver los casos dudosos.

El diccionario es importante, porque solo puede ayudar con las palabras. Si el OCR lee “lnforme” con una L minúscula, el diccionario lo corrige a “informe”. Si lee un número de cuenta como 1O45 en lugar de 1045, no hay nada con lo que corregirlo. Las confusiones habituales se dan entre caracteres que se parecen en muchas fuentes: 0 y O; 1, l e I; 5 y S; 8 y B; y la pareja “rn”, que puede convertirse en “m”. Por eso los errores de OCR se esconden en los números, los nombres y los códigos, y por eso merecen la revisión más cuidadosa.

Por qué los resultados varían tanto de un escaneo a otro

El mismo convertidor puede producir un texto casi perfecto con un escaneo y un desastre con otro. La diferencia casi siempre está en la imagen:

Resolución. 300 DPI es la recomendación habitual para escanear documentos para OCR. Por debajo de unos 200 DPI, la letra pequeña pierde el detalle que distingue letras parecidas. La letra muy pequeña, como las notas al pie y las condiciones al dorso de un formulario, sale ganando con 400 DPI o más.
Ángulo y curvatura. Una página fotografiada en ángulo, o la página de un libro que se curva hacia el lomo, da líneas de texto que no son rectas. Enderezar ayuda, pero las líneas curvas suelen salir con palabras perdidas o pegadas.
Contraste y fondo. El papel de color, el marcador fluorescente, los sellos sobre el texto y las copias de copias desvaídas hacen que sea más difícil separar las letras de lo que hay detrás.
Compresión excesiva. Un escaneo guardado con una calidad JPEG baja tiene bordes borrosos y manchas alrededor de cada letra. Una imagen en blanco y negro con calidad de fax rompe los trazos finos.
Escritura a mano. El OCR que se usa para convertir documentos está pensado para texto impreso. Las notas manuscritas y las firmas suelen salir mal, o se quedan como imágenes.
Idioma y diseño. El reconocimiento se entrena por escritura y por idioma, así que las escrituras menos comunes y las páginas en varios idiomas son más difíciles. Las columnas múltiples, las tablas sin líneas y el texto sobre imágenes complican aún más el paso del diseño.

Por qué el archivo de Word puede verse distinto aunque el texto sea correcto

Reconocer los caracteres es solo la mitad del trabajo. Un convertidor también tiene que reconstruir la página como algo que Word entienda, y se enfrenta a un dilema. Puede escribir el texto como párrafos normales que fluyen, fáciles de editar pero que se alejan del diseño original. O puede fijar cada bloque de texto en su posición exacta, lo que se ve bien pero es incómodo de editar, porque escribir en un bloque no desplaza el siguiente hacia abajo.

Otras diferencias vienen de información que el escaneo simplemente no contiene. El OCR no puede saber qué fuente se usó, así que Word recibe una parecida y los saltos de línea se mueven. Una tabla con líneas se puede reconstruir como tabla de Word, pero una tabla sin líneas puede llegar como texto separado por tabulaciones o espacios. Los encabezados, los pies de página y los números de página pueden acabar en el cuerpo del documento, y los logotipos, sellos y firmas se quedan como imágenes.

Convertir un escaneo con PDF a Word

Nuestra herramienta PDF a Word aplica OCR automáticamente a las páginas que lo necesitan, así que un escaneo vuelve como un .docx con texto editable, y las páginas que ya contienen texto se convierten directamente. El archivo se envía a un proveedor de conversión de documentos, que afirma eliminar el archivo y el resultado en un plazo de tres horas. No hay un límite de tamaño fijo, pero la subida tiene que terminar en unos 40 segundos, así que un escaneo muy grande necesita una conexión rápida. Un PDF que necesita una contraseña para abrirse tiene que desbloquearse primero.

Antes de convertir, conviene hacer algunas cosas:

Pon en la orientación correcta las páginas que estén de lado o al revés, y quita las páginas en blanco. El Organizador de archivos hace ambas cosas sin subir el archivo.
Si escaneas tú el papel, usa 300 DPI en escala de grises o en color, y no el modo blanco y negro del escáner, que puede romper las letras finas antes de que el OCR llegue a verlas.
Si solo necesitas unas pocas páginas, convierte solo esas. Así habrá menos que revisar después.

Qué revisar antes de fiarte del resultado

El OCR comete errores en la mayoría de los escaneos reales, y no avisa cuando los comete. Antes de enviar o archivar el documento convertido, revisa:

Cada número que importe. Totales, fechas, importes, números de cuenta y de referencia, números de teléfono. Compáralos con el escaneo, no con lo que parece verosímil.
Los nombres y las direcciones. Rara vez están en un diccionario, así que nada los corrige.
Las palabras que subraya el corrector ortográfico. Los subrayados rojos se acumulan donde el OCR se equivocó, lo que convierte la revisión ortográfica de Word en un buscador de errores aproximado.
La letra pequeña y los márgenes. Las notas al pie, los sellos y las anotaciones al margen son el texto que más a menudo se pierde por completo.
Las tablas. Asegúrate de que cada valor esté en la fila y la columna correctas.

Lo que no funciona bien

Algunos documentos decepcionarán a cualquier convertidor. Los formularios escritos a mano, los faxes, las capturas de pantalla de documentos tomadas a resolución de pantalla y el texto que forma parte de una foto o un diagrama suelen tener que volver a escribirse donde importan.

Dos de nuestras otras herramientas no leen escaneos en absoluto. PDF a Excel solo lee el texto que ya está en el PDF, así que no puede extraer una tabla de una página escaneada. Traducir documento rechaza los PDF escaneados por el mismo motivo. En ambos casos, puedes convertir primero el escaneo con PDF a Word, revisar el texto y trabajar a partir del archivo de Word: copiar una tabla en Excel o traducir el .docx.

Conclusión

Convertir un PDF escaneado a Word son dos suposiciones seguidas: cuáles son las letras y cómo estaba construida la página. Un escaneo nítido, recto y a 300 DPI facilita las dos, y una revisión cuidadosa de números y nombres detecta lo que el OCR hace mal. Trata el resultado como un primer borrador del texto, no como una copia del original, y rara vez te llevarás una sorpresa.

¿Tienes un escaneo que convertir en texto? Prueba el convertidor de PDF a Word.

← Volver al blog