Documentos y conversión

OCRmyPDF: dale texto buscable a tus PDFs escaneados

Un PDF escaneado es solo una foto: no puedes buscar en él ni copiar una línea. OCRmyPDF le agrega una capa invisible de texto reconocido con Tesseract — el motor de OCR de código abierto que Google mantuvo durante años — y el documento queda buscable y seleccionable, con las páginas viéndose exactamente igual.

Gratis y open source Reconoce español macOS · Linux · Windows

Instalación

# macOS (Homebrew) — incluye Tesseract y el idioma español
brew install ocrmypdf

# Ubuntu / Debian — agrega el paquete de español
sudo apt install ocrmypdf tesseract-ocr-spa

En Windows, OCRmyPDF corre dentro de WSL (Windows Subsystem for Linux) con los mismos comandos de Ubuntu.

El caso típico: OCR en español

ocrmypdf -l spa escaneo.pdf buscable.pdf

Eso es todo. -l spa le dice a Tesseract que el documento está en español. Para documentos que mezclan idiomas:

ocrmypdf -l spa+eng escaneo.pdf buscable.pdf

Mejorar escaneos chuecos o sucios

Dos banderas arreglan la mayoría de los escaneos imperfectos: --deskew endereza páginas torcidas y --clean limpia manchas antes de reconocer el texto:

ocrmypdf -l spa --deskew --clean escaneo.pdf buscable.pdf

Si el PDF ya tiene algo de texto y OCRmyPDF se niega a procesarlo, --redo-ocr rehace el reconocimiento completo.

OCR y compresión en un paso

OCRmyPDF puede optimizar las imágenes al mismo tiempo que reconoce el texto — un escaneo pesado sale buscable y varias veces más ligero:

ocrmypdf -l spa --optimize 3 escaneo.pdf ligero_y_buscable.pdf

Una carpeta completa

for f in *.pdf; do ocrmypdf -l spa "$f" "ocr_$f"; done

Cada archivo sale con el prefijo ocr_, dejando los originales intactos.

Extraer el texto plano

Con la capa de OCR puesta, cualquier herramienta de PDF puede sacar el texto. --sidecar lo guarda de una vez en un archivo aparte:

ocrmypdf -l spa --sidecar texto.txt escaneo.pdf buscable.pdf

Sacar el texto de una foto o captura de pantalla

Tesseract (ya instalado junto con OCRmyPDF) trabaja directo sobre imágenes:

tesseract captura.png salida -l spa

El texto reconocido queda en salida.txt.

Lo probamos aquí mismo

Generamos esta "nota escaneada" — con grano y la página ligeramente torcida, como un escaneo real:

Imagen simulando una nota escaneada con grano y rotación leve — La imagen de prueba: ruido, rotación de 0.8° y fondo de papel.

Y esto es, textual, lo que Tesseract extrajo con tesseract nota-escaneada.jpg salida -l spa:

Nota escaneada de ejemplo:

las herramientas gratuitas de la terminal
pueden leer este texto sin pagar un OCR.
— paginasweboficial.com

Cero errores, incluidos los acentos y el guion largo.

Hecho con las herramientas de esta guía. Todo el material de esta sección lo generamos nosotros, comando por comando — el script completo y reproducible está en make-media.sh.