OCR explicado: cómo un PDF escaneado se convierte en texto buscable

Un documento escaneado —venga de un escáner de verdad o de la cámara de un teléfono— es una fotografía para un ordenador. Ctrl+F no encuentra nada, porque ahí no hay texto que encontrar, solo píxeles que resultan parecer letras a un humano que las lee.

Qué hace realmente el OCR

El reconocimiento óptico de caracteres analiza las formas de la página y predice qué caracteres representan, y luego añade ese texto predicho como una capa invisible y seleccionable colocada justo encima de la imagen original. Visualmente no cambia nada: sigues viendo el mismo escaneo. Funcionalmente, la página tiene ahora texto real detrás que un navegador o un lector de PDF puede buscar, seleccionar y copiar.

Por qué aquí el OCR se ejecuta enteramente en tu navegador

OCR PDF usa Tesseract.js, una compilación en WebAssembly del motor OCR de código abierto Tesseract, que se ejecuta como un Web Worker para que no bloquee la página mientras trabaja. El reconocimiento en sí ocurre en tu dispositivo: el escaneo no se envía a ningún sitio para ser leído.

Qué afecta a la precisión

• La calidad del escaneo: un escaneo nítido, bien iluminado y recto se reconoce con mucha más precisión que una foto de teléfono borrosa o muy torcida.
• La escritura a mano: Tesseract, como la mayoría de motores OCR, está hecho para texto impreso; el reconocimiento de escritura a mano es un problema distinto y mucho menos fiable.
• Fuentes inusuales o muy estilizadas: las tipografías decorativas o el texto de bajo contraste reducen la precisión igual que dificultarían a un humano ojeando rápido.