OCR de PDFs escaneados: qué precisión esperar de verdad

El OCR —reconocimiento óptico de caracteres— es lo que convierte la foto de un texto en texto de verdad. Es la única herramienta que sirve cuando el PDF es un escaneado, y es también la más malentendida: se espera de ella una perfección que no puede dar, y después se la culpa por errores que en realidad venían del escaneo.

Esta guía es sobre expectativas realistas. Saber de antemano qué margen de error vas a tener cambia cómo planificás el trabajo.

Qué precisión esperar, con números

La precisión se mide en porcentaje de caracteres correctos. Suena abstracto hasta que lo traducís a errores por página:

Qué la arruina, en orden de importancia

1. La resolución (esto es el 80% del problema)

Es de lejos el factor que más pesa, y el más fácil de controlar. La regla práctica que usan los motores de OCR: la altura de una letra minúscula sin astas, como la "x" o la "o", tiene que ocupar al menos 20 píxeles. Por debajo de eso, el reconocimiento se cae en picada.

Traducido a valores de escáner: para texto de tamaño normal (10 a 12 puntos), 300 DPI cumple con holgura y es el estándar recomendado. 150 DPI queda justo por debajo del umbral, y por eso el salto de calidad entre 150 y 300 es enorme. Para texto chico, de 6 u 8 puntos —notas al pie, letra chica de contratos—, conviene ir a 400 o 600 DPI.

Subir más allá de 600 DPI no mejora el reconocimiento y sí hace todo mucho más lento. No es cierto que "más resolución siempre es mejor".

2. Contraste y fondo

El motor necesita separar tinta de papel. Todo lo que difumine esa frontera le complica la vida: papel amarillento o manchado, escaneos claros donde el negro salió gris, sombras de la mano o del celular al fotografiar, sellos o firmas encima del texto, resaltador fluorescente, texto impreso sobre una imagen de fondo.

3. La inclinación

Los motores agrupan los caracteres en líneas horizontales. Si la página está torcida más de dos o tres grados, ese agrupamiento empieza a fallar y las líneas se mezclan entre sí. Un papel apoyado derecho en el escáner casi nunca tiene este problema; una foto sacada a mano, casi siempre.

4. El idioma elegido

Un motor de OCR no adivina letra por letra de forma aislada: usa un modelo del idioma para decidir entre alternativas parecidas. Si le decís que el texto está en inglés y en realidad está en español, perdés todas las tildes y la eñe, porque esos caracteres directamente no están entre los candidatos posibles. "Año" se vuelve "Ano", "instalación" se vuelve "instalacion" o "instalaci6n".

Elegir bien el idioma es gratis y es de las cosas que más mejora el resultado. Si el documento mezcla idiomas —muy común en fichas técnicas— conviene cargar los dos modelos juntos.

5. La tipografía

Las fuentes serif clásicas y las sans-serif comunes se reconocen muy bien: los modelos se entrenaron con ellas. Dan problemas las condensadas, las decorativas, las de muy poco grosor, las que están en cursiva, y sobre todo el texto en negativo, blanco sobre fondo oscuro, que muchos motores directamente no ven porque esperan tinta oscura sobre papel claro.

6. La compresión

Un escaneado guardado como JPEG con compresión agresiva desarrolla artefactos alrededor de cada letra: manchitas y halos que el motor interpreta como parte del carácter. Para documentos de texto, un escaneo en PNG o en TIFF sin pérdida siempre reconoce mejor que un JPEG chico, aunque a simple vista parezcan iguales.

Los errores clásicos y por qué ocurren

Estos aparecen una y otra vez, y conocerlos te permite buscarlos directamente:

• 0 ↔ O y 1 ↔ l ↔ I. Son formas casi idénticas en muchas tipografías. El motor se apoya en el contexto para decidir, y por eso acierta más en palabras que en códigos alfanuméricos sueltos, donde no hay contexto que ayude.
• 5 ↔ S y 8 ↔ B, sobre todo en escaneos de bajo contraste.
• rn → m. Dos letras juntas que a baja resolución se tocan y forman una sola. El clásico absoluto del OCR.
• cl → d, por el mismo motivo.
• Tildes perdidas, casi siempre por idioma mal elegido o por resolución insuficiente: el acento es un detalle de pocos píxeles y es lo primero que se pierde.
• Comas y puntos intercambiados en los números. Este es el más peligroso de todos en documentos comerciales: confundir 1.250,00 con 1250,00 o con 1.25000 cambia el valor por completo.

Cómo mejorar el resultado

Si podés volver a escanear, esto es lo que hay que hacer:

• 300 DPI para texto normal, 400 o 600 si hay letra chica.
• Escala de grises, no blanco y negro puro. El modo bitonal decide por vos qué es tinta y qué es papel, y en los bordes de las letras se equivoca. En escala de grises esa decisión la toma el OCR, que la toma mejor.
• Apagá las mejoras automáticas del escáner: el enfoque artificial y el aumento de contraste agregan artefactos.
• Enderezá la hoja antes de escanear. Un minuto acomodando el papel vale más que cualquier corrección posterior.

Si solo tenés una foto, sacala con luz pareja, sin sombras encima del papel, lo más perpendicular posible y apoyando el documento en una superficie plana. Un celular moderno a 30 cm de una hoja A4 da resolución de sobra: el problema nunca son los megapíxeles, siempre son la sombra y el ángulo.

Qué revisar siempre

No importa qué tan bueno sea el resultado, estos tres controles no se saltean:

1. Todos los números, uno por uno. En texto corrido un error se nota al leer. En un número no hay nada que lo delate: "1.890" y "1.390" son igual de plausibles. Si el documento tiene un total, sumá y cuadrá.
2. Los códigos y las referencias. Un código de artículo como BZ-1OO1 con letras O en lugar de ceros no lo vas a ver de un vistazo, pero rompe cualquier cruce contra tu sistema. Buscá específicamente O mayúsculas dentro de códigos y l minúsculas donde deberían ir unos.
3. Los nombres propios. Son justamente donde el modelo de idioma no ayuda, porque no están en el diccionario.

Si el texto que te devuelve el OCR viene muy sucio, antes de dar por perdido el documento vale la pena confirmar de qué tipo de PDF se trata: puede ser un nativo bloqueado contra copia o un híbrido, casos donde hay mejores caminos. Y si lo que estás recuperando es una tabla, la guía de tablas a Excel explica cómo verificar el resultado.

Lo que hay que recordar

El OCR no lee: reconoce, y reconocer implica un margen de error que nunca es cero. La calidad del resultado se decide casi toda en el momento del escaneo, no en el software. Y la revisión de los números no es desconfianza: es la única forma de saber que lo que tenés sirve.