PDF escaneado a Markdown

Cómo funciona aquí el OCR

Un PDF escaneado contiene imágenes de páginas, no texto. Para sacar Markdown de él, un modelo de reconocimiento de texto tiene que leer cada imagen. En la mayoría de sitios eso supone subir el archivo a un servidor. Aquí es el modelo el que viene a ti:

1. El conversor mira cada página. Las páginas que ya tienen capa de texto se leen directamente, que es más rápido y exacto. Las que no tienen capa de texto, o tienen una hecha de caracteres que no corresponden a letras, pasan al OCR.
2. La página se dibuja como imagen en la pestaña, con resolución suficiente para la letra pequeña.
3. Un modelo de detección encuentra las líneas de texto y un modelo de reconocimiento lee cada línea. Los dos son modelos de PaddleOCR (Apache 2.0) que se ejecutan en WebAssembly, en varios hilos cuando tu navegador lo permite.
4. Las líneas vuelven a su orden de lectura: se unen los párrafos, se deducen los encabezados por la altura de línea y las filas alineadas en columnas se rehacen como tablas. Después, la página se convierte en Markdown como cualquier otra.

El primer escaneo que conviertes descarga el modelo: unos 6 MB para alfabeto latino y chino, unos 20 MB para japonés o coreano. A partir de ahí queda en caché y el OCR empieza al instante.

¿Qué tan rápido es?

En un portátil reciente, una página normal tarda de dos a cuatro segundos una vez cargado el modelo. Los móviles van más lentos, y una página de letra diminuta y apretada tarda más que una carta. La línea de progreso indica qué página se está leyendo, y Cancelar detiene el proceso en cualquier momento. Las páginas ya leídas se conservan, así que al volver a empezar sigue donde se quedó.

Si solo algunas páginas están escaneadas, solo esas pasan por el OCR. Un informe de 200 páginas con tres páginas escaneadas en un anexo se convierte casi tan rápido como uno sin ninguna.

Revisa las páginas que le dejaron dudas al OCR

Los modelos de reconocimiento son buenos, no perfectos. En lugar de obligarte a corregirlo todo, el conversor guarda la confianza del modelo en cada línea. Si alguna línea de una página queda por debajo del umbral, la página se marca en Páginas a revisar con la etiqueta «OCR dudoso en algunas palabras», y la imagen de la página aparece junto a su Markdown para que puedas compararlas.

Aquí también se arregla el problema contrario. Algunos PDF tienen una capa de texto rota: fuentes que apuntan a caracteres equivocados, de modo que el texto no tiene sentido. Esas páginas se marcan como texto ilegible, y Leer esta página con OCR lee solo esa página a partir de su imagen.

Elige el modelo adecuado

La elección se recuerda para tu próxima visita. Un documento que mezcla inglés con uno de los otros idiomas se lee mejor con el modelo del otro idioma, porque cada modelo también conoce las letras latinas y los dígitos.

Saca mejores resultados de un escaneo

• Escanea a 300 ppp si escaneas tú. Por debajo de 200 ppp, la letra pequeña empieza a confundirse con otras letras.
• Las páginas rectas se leen mejor. Una página fotografiada en ángulo, o que se curva hacia el lomo de un libro, puede perder palabras cerca de los bordes.
• Usa Todas las páginas en Páginas escaneadas cuando un PDF tenga una capa de texto que no te inspire confianza, como la que añade el OCR de un escáner antiguo. El conversor la ignora y lee cada página por su cuenta.
• Convierte un rango de páginas con escaneos largos en el móvil, para no agotar la memoria.

Lo que el OCR aún no puede hacer

• La escritura a mano no está soportada; los modelos están entrenados con letra impresa.
• Tablas apretadas o torcidas. Una tabla escaneada se convierte en tabla Markdown cuando sus columnas están bien alineadas. Las columnas muy juntas, o una página escaneada en ángulo, pueden salir como líneas de texto. Más en tablas de PDF a Markdown.
• Las fórmulas salen como los caracteres que ve el modelo, no como LaTeX.
• Idiomas fuera de los modelos anteriores, como árabe, hebreo, cirílico, griego, tailandés o hindi, no tienen OCR. Los PDF en esos idiomas que tienen capa de texto se convierten igualmente, porque no necesitan OCR.

¿Es privado el OCR en el navegador?

Sí. Cada página se dibuja y se lee dentro de esta pestaña, y el texto se queda en su memoria hasta que lo copias o lo descargas. Nada de la página, ni la imagen ni el texto, se envía a ninguna parte. Por eso sirve para contratos escaneados, informes médicos y otros papeles que prefieres no subir. Puedes mirar el panel de red de las herramientas para desarrolladores mientras funciona: ninguna petición lleva tu archivo ni su texto.

Preguntas frecuentes

¿Puede convertir la foto de un documento?

Pon primero la foto en un PDF; la mayoría de los móviles pueden guardar un escaneo o una foto como PDF desde el menú de compartir. Después suelta aquí el PDF. Los archivos de imagen como tales todavía no se aceptan.

¿Por qué el primer escaneo tarda más?

El modelo de OCR se descarga la primera vez, una sola vez. Los escaneos siguientes, incluso otro día, empiezan sin esa espera mientras tu navegador conserve su caché.

Mi escaneo tiene capa de texto, pero el texto está mal. ¿Qué hago?

Esa capa de texto viene del OCR que hiciera el escáner, y puede ser mala. Elige Todas las páginas en Páginas escaneadas y vuelve a convertir, o usa Leer esta página con OCR en las páginas que se vean mal.

¿Funciona sin conexión?

Una vez empezada la conversión y con el modelo en caché, no necesita la red. Si pierdes la conexión a mitad, el proceso sigue.