Cómo extraer el texto de un PDF escaneado y copiarlo

Necesitas copiar un párrafo de un contrato, los datos de una factura o el texto de un oficio que te mandaron en PDF. Intentas seleccionarlo y no pasa nada: el cursor no marca ninguna letra, o se selecciona la página entera como si fuera un bloque.

Eso pasa porque el PDF es un escaneo. Cada página es una foto del papel, y una foto no tiene letras, tiene puntos de color. Para sacar el texto hay que leerlo, y eso es lo que hace el reconocimiento de caracteres, conocido como OCR.

Cómo saber si tu PDF es escaneado

• Intenta seleccionar una palabra. Si no puedes, o se marca un rectángulo sobre toda la página, es un escaneo.
• Busca una palabra con Ctrl+F. Si sabes que está en la página y el buscador no la encuentra, es un escaneo.
• Acerca la imagen. En un PDF con texto real, las letras siguen nítidas a cualquier zoom; en un escaneo se ven los bordes borrosos o pixelados.

Hay documentos que mezclan las dos cosas: unas páginas con texto real y otras escaneadas, por ejemplo un expediente al que se le añadió una hoja firmada a mano.

Cómo extraer el texto con PDF a texto

1. Abre PDF a texto y elige tu archivo.
2. Las páginas con texto real se leen tal cual, de forma exacta. Las escaneadas se reconocen solas, una por una. Si el documento mezcla los dos tipos, se trata cada página como corresponde.
3. Copia el texto como prefieras: cada página tiene su propio botón Copiar, Copiar todas las páginas copia el documento entero en orden, y también puedes descargarlo todo como un archivo .txt con cada página marcada.

El idioma se detecta solo a partir del documento, o puedes elegirlo tú antes. Reconoce ocho: español, inglés, neerlandés, ruso, árabe, chino, hindi y bengalí.

Tu archivo no se sube. El navegador lee el texto y reconoce las páginas escaneadas en tu propio dispositivo. Solo si tu navegador no puede ejecutar el lector, las páginas escaneadas se envían como imágenes a nuestro servidor por una conexión cifrada y se borran en cuanto se leen.

Qué herramienta usar en cada caso

Si lo que tienes es una foto o una captura

Si el documento no es un PDF sino una foto tomada con el celular o una captura de pantalla, usa Imagen a texto. Acepta JPG, PNG y WebP, lee hasta cinco imágenes a la vez y mantiene el texto de cada una por separado. Las capturas de pantalla suelen salir muy bien, porque el texto está derecho y bien iluminado.

Si quieres editar el PDF o poder buscar en él

A veces no quieres sacar el texto, sino corregir un dato en el propio PDF o poder buscar palabras dentro de él. Para eso está Editar PDF escaneado: reconoce las páginas y convierte cada línea en texto que puedes volver a escribir. Las líneas que no cambies se guardan como texto invisible sobre la imagen original, así que el PDF se ve igual que antes pero ya se puede buscar, seleccionar y copiar. Reconoce las primeras 30 páginas escaneadas de cada documento.

¿Y pasarlo a Word editable?

Es una de las búsquedas más comunes, y conviene saber esto: al convertir un PDF escaneado a Word, la página llega a Word como una imagen. Se ve igual que el original, pero no puedes editar las palabras.

El camino que funciona es otro:

1. Extrae el texto con PDF a texto.
2. Usa Copiar todas las páginas.
3. Pégalo en un documento de Word y dale el formato que necesites.

Ten en cuenta que el texto sale como líneas sencillas. Las tablas pierden su cuadrícula, y en páginas a dos columnas las líneas de una columna se pueden mezclar con las de la otra. Revisa esas partes después de pegar.

Desde el celular

PDF a texto e Imagen a texto funcionan en el navegador del celular, sin instalar nada. Es práctico para copiar un dato de un documento que te llegó por WhatsApp, como un número de expediente o una dirección, y pegarlo en otra app. En una pantalla pequeña, lo más cómodo suele ser el botón Copiar de la página que necesitas, en lugar de copiar el documento entero.

Cómo conseguir un mejor resultado

El reconocimiento suele ser muy bueno con escaneos limpios y empeora con imágenes de poca resolución, fotos tomadas en ángulo, letras muy pequeñas o tipografías raras.

• Limpia el escaneo antes. Si está gris o con manchas, pásalo primero por Mejorar escaneo con contraste alto y Enfocar. El texto reconocido suele salir más exacto.
• Escanea derecho y con buena luz. Si vas a tomar la foto otra vez, pon la hoja plana, sin sombras y con el celular paralelo a la página.
• No esperes mucho de la letra manuscrita. El reconocimiento está hecho para texto impreso o escrito a máquina; la letra a mano suele salir con muchos errores.
• Revisa siempre los números. Un 8 que se lee como 3 parece correcto a simple vista. Comprueba con cuidado montos, fechas, folios y claves como el RFC, el CUIT, el NIT o el RUT antes de usarlos.