Glosario
Qué es el OCR
Convertir la imagen de un texto en texto que se puede buscar y leer.
OCR
Reconocimiento óptico de caracteres: la técnica que mira la imagen de una página y reconoce qué letras y números hay en ella, convirtiéndola en texto.
Un PDF escaneado es una foto de un papel: para un ordenador, píxeles. El OCR es lo que convierte esos píxeles en palabras, y es lo que permite después buscar dentro de él o extraerle una fecha.
Por qué a veces falla
| Original | Qué tal se reconoce |
|---|---|
| PDF generado por ordenador | Perfecto: el texto ya está dentro |
| Escaneo a 300 ppp, derecho | Muy bien |
| Foto con el móvil, con luz | Bien |
| Foto torcida o con sombra | Regular o mal |
| Manuscrito | Mal, y es lo esperable |
Ojo con esto
Lo que tú no puedas leer a simple vista, el OCR tampoco. Si dudas al mirar el documento, no esperes que salga bien.
Ten en cuenta
Un PDF que ya lleva texto dentro no necesita OCR, y por eso se lee perfecto. Pedir los documentos en PDF en lugar de en foto es el cambio más barato para mejorar la lectura.
›¿El OCR cambia mi documento?
No. El original se guarda tal cual; el texto reconocido va aparte.
›¿Funciona en otros idiomas?
Sí, incluidos los que no usan alfabeto latino.
›¿Se puede corregir lo que reconoce mal?
Sí, y la corrección mejora la lectura de ese tipo de documento.
Un caso real
La situación
Una empresa no consigue encontrar nada dentro de sus escaneos antiguos.
Qué haces
- Comprueba que se subieron sin lectura
- Los vuelve a procesar
Qué consigues
Pasan a ser buscables por su contenido, no solo por el nombre del archivo.
La situación
Una foto de un albarán no permite buscar el número de pedido.
Qué haces
- Comprueba que se procesó al subirla
Qué consigues
El número se encuentra sin abrir la imagen.
La situación
Un escaneo torcido y con sombras sale mal leído.
Qué haces
- Repite la captura con mejor luz y encuadre
Qué consigues
La lectura mejora sin cambiar nada del sistema.
La situación
Un documento manuscrito no se lee bien.
Qué haces
- Revisa a mano lo que quede marcado como dudoso
Qué consigues
Se corrige lo poco que falla en lugar de teclearlo todo.
La situación
Un PDF ya venía con texto y se vuelve a procesar.
Qué haces
- Comprueba si el documento ya era buscable
Qué consigues
Se evita gastar en algo que no hacía falta.
La situación
Hay cientos de escaneos antiguos sin procesar.
Qué haces
- Procesa primero los que se consultan de verdad
Qué consigues
El esfuerzo se concentra en lo que alguien va a buscar.
Este artículo responde a
- qué es el ocr
- reconocimiento óptico de caracteres
- cómo se lee un pdf escaneado
- buscar dentro de documentos escaneados