Crear PDF buscable

¿Qué hace realmente que un PDF se pueda buscar?

Un archivo PDF puede contener dos cosas muy distintas que en pantalla se ven igual. O bien lleva caracteres reales con su tipografía y su posición, y entonces cualquier búsqueda los encuentra al instante. O bien lleva una fotografía de la página, y entonces tu ordenador ve exactamente lo mismo que ve en una foto de vacaciones: valores de color. Un escáner de documentos produce siempre el segundo caso.

Un PDF buscable es la suma de ambos. La imagen se queda donde está y encima se coloca una segunda capa con las palabras reconocidas, en el modo de dibujo llamado invisible. El lector no las pinta, la búsqueda las encuentra igual. Por eso puedes seleccionar una línea en un escaneo bien hecho aunque a la vista solo haya píxeles.

Esta herramienta construye justo esa capa. El reconocimiento óptico de caracteres localiza los recuadros de las palabras y después se escribe un fragmento de texto en la página en la posición de cada recuadro, comprimido o estirado en anchura para que encaje. Un lector de pantalla puede leer el texto en voz alta y tu gestor documental lo indexa.

¿Cómo funciona el reconocimiento dentro del navegador?

En dos etapas, y la primera es la decisiva. Una red neuronal especializada localiza primero las zonas que contienen escritura. Solo después una segunda red lee cada una de esas zonas por separado. Ese orden parece un detalle y es la diferencia entre un resultado utilizable y uno inservible: un reconocedor que barre la imagen entera a ciegas encuentra líneas de texto en sellos, dobleces y manchas de café, y escribe galimatías en la capa de texto.

Ambas redes se ejecutan como WebAssembly en la misma pestaña que esta página, con apoyo de la tarjeta gráfica mediante WebGPU cuando está disponible. La descarga única ronda los doce megabytes y queda en la caché del navegador. Con el segundo documento el reconocimiento arranca de inmediato y a partir de ahí la herramienta funciona sin conexión.

¿Por qué en otras herramientas el archivo se dispara?

Porque la mayoría hace algo más que añadir texto. Descodifica cada imagen de página, la procesa y la vuelve a codificar, a menudo con ajustes distintos de los originales. Un escaneo guardado como imagen en blanco y negro muy comprimida vuelve como imagen en color genérica. Ese es el punto en el que ciento ochenta megabytes se convierten en tres gigabytes, y el usuario solo lo nota después, por el tamaño del archivo.

Nosotros ni siquiera abrimos las imágenes de las páginas. El reconocimiento trabaja sobre una rasterización temporal que se descarta al terminar cada página, y al archivo solo entran instrucciones de texto. El aumento se queda así en unos pocos kilobytes por página. Como este es justo el punto donde las alternativas fallan, la cifra aparece en el resultado: tamaño antes, tamaño después y aumento en porcentaje.

¿Qué pasa con las páginas que ya tienen texto?

Se omiten, y el informe te dice cuántas eran. Parece una minucia y es el empeoramiento silencioso más frecuente en las herramientas que reconocen todas las páginas a ciegas: sobre la capa de texto existente y correcta se coloca una segunda capa adivinada. A partir de ahí la búsqueda encuentra cada palabra dos veces, la selección salta y al copiar el texto sale duplicado.

La comprobación se hace por página, no por documento. Un contrato del que solo se escaneó la última hoja firmada recibe su capa de texto exactamente ahí y en ningún otro sitio. Si prefieres que no sea así, desactiva la opción.

¿Cómo compruebo que la capa de texto está bien colocada?

Con «Comprobar la capa de texto». Al terminar, la herramienta dibuja los recuadros de las palabras reconocidas sobre una vista previa de la página. Si los recuadros caen sobre la escritura, el texto está en su sitio. Si caen al lado o visiblemente demasiado arriba, algo ha ido mal, y lo ves antes de meter el archivo en tu archivo documental.

Casi ningún proveedor ofrece esta comprobación, pese a que una capa de texto desplazada es un defecto bien conocido. Aparece con regularidad en los foros de usuarios, casi siempre con la misma descripción: seleccionas una frase y acabas seleccionando media página, porque el orden de los recuadros no sigue el orden de lectura. No mostrar nada no significa tener menos errores, significa no enseñarlos.

¿Dónde se detiene la herramienta a propósito?

No edita imágenes. Ni endereza, ni gira, ni quita ruido, ni recomprime. Si quieres corregir un escaneo torcido, pasa antes por una herramienta de imagen. La ventaja de esa contención es la misma de antes: lo que no se recodifica tampoco se puede inflar.

Tampoco reconstruye la maquetación. La capa de texto sigue los recuadros reconocidos, no detecta párrafos, columnas ni tablas. Si necesitas texto estructurado, usa PDF a Markdown. La escritura a mano no se reconoce, el modelo está entrenado con letra impresa. Y de aquí no sale un PDF/A, como explica la sección de preguntas.

¿Qué herramientas relacionadas existen?

• PDF a Markdown: cuando necesitas la estructura y no la página, con encabezados, listas y tablas.
• Imagen a texto: para una sola foto o captura, cuando solo quieres el texto y no un PDF.
• Comprimir PDF: optimización estructural sin pérdida, para un archivo que ha crecido de más tras muchas ediciones.