PDF escaneado a Word

Por qué un conversor normal te devuelve una imagen

Casi todos los conversores de PDF a Word, incluido el nuestro, funcionan leyendo el texto que ya viene guardado dentro del PDF. Con un archivo exportado desde Word o Google Docs va de maravilla. Pero un escáner no guarda texto: guarda una imagen de cada página. El conversor no encuentra nada que leer y se limita a pegar la imagen en el Word.

Abres el .docx, haces clic en un párrafo y se selecciona la página entera como si fuera una foto. Me pasó con un contrato de alquiler que me mandó el casero, y es desesperante. El texto está ahí, lo estás viendo, pero no lo puedes tocar.

Para arreglarlo hace falta OCR (reconocimiento óptico de caracteres) antes de nada. Algo tiene que mirar los píxeles y decidir que esta forma es una "a" y aquella un "7". Solo entonces hay texto que llevar a Word.

Qué hace esta herramienta con tu escaneo

Cada página pasa por Tesseract, el motor de OCR de código abierto sobre el que se construye buena parte del software de reconocimiento serio. Antes de leer, la página se endereza, porque un escaneo torcido uno o dos grados pierde muchas más palabras de lo que parece. Las páginas que ya tienen texto real se respetan tal cual.

Luego viene lo que más trabajo me costó. El OCR en bruto es un montón de líneas sueltas. Si lo pegas directamente en Word, cada línea acaba con un salto forzado y las palabras partidas con guion se quedan cortadas. El conversor mira los espacios entre líneas y el tamaño de la letra para rehacer los párrafos, une las palabras cortadas al final de línea y convierte las líneas grandes, como un membrete o el título de una sección, en títulos de Word. Cada página del escaneo empieza en una página nueva del documento.

Lo que descargas es un .docx limpio, con estilos normales, sin cuadros de texto flotando encima de una imagen. Puedes cambiar la fuente de todo de una vez, pasar el corrector o copiar partes a otro documento sin arrastrar formatos raros.

El idioma importa más de lo que crees

Tesseract lee mucho mejor cuando sabe qué idioma esperar. Si lo dejas en inglés y le das un contrato en español, sacará casi todas las palabras, pero se comerá las tildes y la ñ, y "año" puede acabar convertido en algo bastante incómodo. En japonés, chino, coreano o árabe, elegir mal da directamente basura, porque esas escrituras necesitan sus propios modelos.

Hay 20 idiomas en la lista y, en esta versión de la página, el español ya viene seleccionado. Si el documento mezcla dos idiomas, elige el que ocupa la mayor parte del texto.

Cómo conseguir un buen resultado

• Escanea a 300 DPI. Por debajo de 200, la letra pequeña se convierte en manchas.
• Blanco y negro o escala de grises es suficiente. El color no ayuda y engorda el archivo.
• Aplana bien la hoja. El lomo de un libro curva las líneas del centro y se leen mal.
• Las fotos con el móvil sirven si la página llena el encuadre y disparas desde arriba, no en ángulo.
• Los faxes y las fotocopias de fotocopias funcionan, pero con más errores. Toca revisar.

Aunque el escaneo sea bueno, repasa el resultado antes de enviarlo. El OCR confunde el 0 con la O y el 1 con la l. Las cifras de facturas y contratos merecen una segunda mirada.

Dónde funciona bien y dónde no

Brilla con páginas llenas de texto: cartas, contratos, informes, actas, manuscritos mecanografiados, capítulos de libros. Todo lo que consiste en recuperar las palabras para poder editarlas.

Seré claro con los límites. Las tablas salen como líneas de texto, no como tabla de Word. Las maquetaciones a dos columnas suelen leerse en el orden correcto, pero una página con recuadros y barras laterales puede salir desordenada. Las fotos y los logotipos no se copian. Y la letra a mano es casi una causa perdida.

Las herramientas de pago intentan copiar el aspecto exacto de la página. A veces impresiona; muchas otras deja un Word lleno de cuadros de texto que se desmonta en cuanto añades una frase. Yo preferí lo contrario: acertar con las palabras, mantener una estructura sencilla y dejarte el formato a ti.

Qué pasa con tu archivo

El OCR es un trabajo pesado, así que se hace en nuestro servidor y no en tu navegador. El PDF se sube por HTTPS, se procesa en una cola y se borra en cuanto termina la conversión. El Word queda disponible el tiempo justo para descargarlo y después se elimina solo. Nadie lee tus documentos.

No hay cuenta, ni correo obligatorio, ni marca de agua encima del texto. El límite es de 100 páginas por archivo. Una carta de diez páginas suele estar lista en menos de un minuto.