OCR · Texto plano
Extraer texto plano con OCR
De un escaneo necesitas el texto como archivo aparte —para buscarlo, citarlo o dárselo a otra herramienta— y de paso quieres dejar el PDF buscable. OCRmyPDF hace las dos cosas a la vez con --sidecar, todo en tu computadora.
1. Instala OCRmyPDF
Se instala una sola vez y queda para siempre. Es gratis y de código abierto:
# macOS (Homebrew) — incluye Tesseract y el idioma español
brew install ocrmypdf
# Ubuntu / Debian — agrega el paquete de español
sudo apt install ocrmypdf tesseract-ocr-spaSi nunca has usado la terminal, empieza por la guía de la terminal.
2. El comando exacto
Coloca el escaneo en una carpeta, abre la terminal ahí y ejecuta esto. Genera el PDF buscable y, de una vez, vuelca el texto reconocido en un archivo plano aparte:
ocrmypdf -l spa --sidecar texto.txt escaneo.pdf buscable.pdfTerminas con dos archivos: buscable.pdf con su capa de texto, y texto.txt con el contenido en plano, listo para copiar o procesar.
Cuándo usar sidecar en lugar de pdftotext
La ventaja de --sidecar es que aprovecha el reconocimiento que OCRmyPDF acaba de hacer, así que extrae el texto exacto que reconoció, sin un segundo paso.
Si el PDF ya es buscable porque le pasaste OCR antes, no necesitas repetir el reconocimiento: cualquier herramienta saca el texto, y lo más directo es pdftotext de la tarea Extraer todo el texto de un PDF.
Tareas relacionadas
Preguntas frecuentes
¿Cuál es la diferencia con pdftotext?
pdftotext sirve cuando el PDF ya tiene texto; si es un escaneo, no devuelve nada. --sidecar, en cambio, parte de un escaneo sin texto, lo reconoce con OCR y guarda ese texto recién reconocido en un .txt, todo en la misma pasada que genera el PDF buscable. Es el camino directo desde una imagen hasta el texto plano.
¿El texto del sidecar es idéntico al de la capa del PDF?
Sí, porque ambos provienen del mismo reconocimiento de Tesseract. El .txt es simplemente ese texto volcado en plano, sin formato ni maquetación. Es la forma más fiable de tener exactamente lo que el OCR leyó, listo para buscar, indexar o pasar a otra herramienta.