OCR · Idiomas
OCR en español y varios idiomas
Cuando el documento mezcla español con inglés —un artículo con citas, un manual técnico, un contrato bilingüe— el OCR necesita reconocer ambos idiomas a la vez. OCRmyPDF lo hace pasándole los dos códigos juntos, 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
Para un documento solo en español, basta con -l spa. Cuando mezcla idiomas, encadénalos con un signo de más:
ocrmypdf -l spa+eng escaneo.pdf buscable.pdfAsí Tesseract considera ambos idiomas al reconocer cada palabra, lo que mejora la precisión en los documentos bilingües sin que tengas que separar las páginas por idioma.
Añadir más idiomas
Puedes encadenar todos los idiomas que necesites con el mismo signo de más, por ejemplo -l spa+eng+fra para un documento en español, inglés y francés. Cada idioma adicional debe tener su paquete instalado.
En Ubuntu, los idiomas se agregan con paquetes de Tesseract — el de español es tesseract-ocr-spa y el de francés tesseract-ocr-fra. En macOS, la instalación de OCRmyPDF por Homebrew ya incluye los más comunes. Para el caso simple de un solo idioma, está la tarea Hacer buscable un PDF escaneado.
Tareas relacionadas
Preguntas frecuentes
¿Pasa algo si pongo más idiomas de los que el documento tiene?
Añadir un idioma de más rara vez estorba, pero tampoco conviene cargar muchos sin necesidad: cuantos más idiomas considera Tesseract, más oportunidades tiene de confundirse entre caracteres parecidos y más lento va. Lo ideal es indicar solo los idiomas que de verdad aparecen en el documento.
¿Cómo sé qué código corresponde a cada idioma?
Tesseract usa códigos de tres letras: spa para español, eng para inglés, fra para francés, por para portugués, deu para alemán, entre otros. Cada uno necesita su paquete de idioma instalado para que el reconocimiento funcione.