PDF nativo o escaneado: cómo saber cuál tenés

Casi todos los problemas de extracción de PDFs vienen del mismo malentendido: tratamos al PDF como si fuera un documento de texto, y no lo es. Un PDF es una descripción de cómo dibujar una página. Lo que hay adentro puede ser texto de verdad, o puede ser una fotografía de un texto. Son dos mundos completamente distintos, y desde afuera se ven idénticos.

Antes de pelearte con una extracción que sale mal, dedicá diez segundos a saber qué tenés en la mano. Te ahorra el 80% de la frustración.

Los tres tipos de PDF que te vas a cruzar

1. PDF nativo (o digital)

Se generó desde una computadora: alguien exportó desde Word, desde un sistema de facturación, desde Excel o desde InDesign. Adentro del archivo hay objetos de texto reales: cada fragmento tiene su contenido, su fuente y sus coordenadas exactas en la página. El texto es vectorial, no una imagen.

Con estos PDFs la extracción es fiel: si el archivo dice "45.900", vas a obtener exactamente "45.900". No hay adivinanza posible ni margen de error de reconocimiento. Los problemas que aparecen son de orden y de estructura, no de exactitud.

2. PDF escaneado (o rasterizado)

Alguien puso un papel en un escáner, o le sacó una foto con el celular. Cada página del PDF es una sola imagen que ocupa la hoja entera. No hay ni una letra de texto adentro del archivo: hay píxeles que a tu ojo le parecen letras.

Acá ninguna herramienta de extracción de texto funciona, por buena que sea, porque no hay texto que extraer. La única salida es el OCR, que mira la imagen y trata de reconocer los caracteres.

3. PDF híbrido (escaneado con capa OCR)

Es un escaneado al que alguien ya le pasó un OCR y le guardó el resultado encima de la imagen, en modo invisible. Lo hacen los escáneres de oficina modernos, Adobe Scan, y la opción "PDF con búsqueda" de casi cualquier multifunción.

Este es el más engañoso de los tres: parece nativo porque podés seleccionar y buscar texto, pero lo que copiás no es el documento original: es lo que un OCR creyó leer, con todos sus errores incorporados. Y esos errores ya vienen congelados en el archivo, hechos por un OCR que quizá corrió en el idioma equivocado.

Cinco pruebas de diez segundos

No necesitás ninguna herramienta especial. Abrí el PDF en cualquier visor y probá esto, en este orden:

Prueba 1 — Seleccioná con el mouse

Arrastrá el cursor sobre un párrafo. Si no se marca absolutamente nada, es escaneado puro. Ya está, no hace falta seguir. Si se marca, seguí a la prueba 2 porque todavía no sabés si es nativo o híbrido.

Prueba 2 — Buscá una palabra que estás viendo

Ctrl+F (Cmd+F en Mac) y escribí una palabra larga y poco común que veas en pantalla. Si el visor no la encuentra, no hay capa de texto. Si la encuentra pero también encuentra "resultados" en lugares donde no está esa palabra, o no encuentra palabras con tilde, hay capa de texto pero es de OCR.

Prueba 3 — Hacé zoom al 600%

Esta es la más definitiva y la que menos se usa. El texto nativo es vectorial: por más que amplíes, los bordes de las letras siguen perfectamente nítidos. Una imagen escaneada se pixela: vas a ver los cuadraditos y el borde gris alrededor de cada letra.

Prueba 4 — Mirá cuánto pesa

Es una regla gruesa pero acierta muchísimo. Veinte páginas de texto nativo pesan típicamente entre 100 KB y 500 KB. Veinte páginas escaneadas pesan entre 2 MB y 20 MB, porque son veinte fotos. Si un documento de pocas páginas pesa varios megas, casi seguro es escaneado.

Prueba 5 — Revisá las propiedades del documento

En Acrobat, Ctrl+D. En otros visores, "Propiedades del documento". Mirá el campo Productor o Aplicación. Si dice el nombre de un escáner o de una app de escaneo (Canon, Epson, HP, Xerox WorkCentre, Adobe Scan, CamScanner, "Scanner"), es escaneado. Si dice Microsoft Word, LibreOffice, iText, wkhtmltopdf, ReportLab, Chrome o el nombre de un sistema de gestión, es nativo.

El caso tramposo: el híbrido con capa invisible

Vale la pena detenerse acá porque es el que más tiempo hace perder. Vos copiás y pegás, y sale texto. Parece que funcionó. Pero ese texto lo produjo un OCR que corrió en algún momento, con alguna configuración, sobre alguna calidad de escaneo, y nadie lo revisó.

Las señales de que estás frente a uno:

• Al seleccionar, el resaltado no calza con las letras: se corre unos píxeles, o marca rectángulos que abarcan más de lo que debería.
• Faltan tildes y eñes, o aparecen como caracteres sueltos.
• Hay confusiones sistemáticas: ceros donde van letras O, unos donde van eles, "rn" donde va una "m".
• El texto copiado tiene el orden desordenado si la página tenía dos columnas.

Si vas a usar ese documento para algo donde los números importan —una lista de precios, una factura, un balance— no confíes en la capa que ya trae. Conviene volver a pasarle OCR vos mismo, eligiendo bien el idioma, y comparar. Es la diferencia entre heredar los errores de otro y controlar los tuyos.

Nativo pero bloqueado contra copia

Hay un cuarto caso que confunde: el PDF nativo con permisos restringidos. El texto está adentro, perfectamente, pero el archivo trae una bandera que le pide al visor que no deje copiar. Muchos visores obedecen y te dejan con el botón de copiar apagado.

Se distingue fácil: hacés zoom al 600% y el texto se ve nítido (o sea, es nativo), pero no podés seleccionarlo. No es un escaneado, es un permiso. En estos casos el OCR también resuelve el problema, porque trabaja sobre la imagen renderizada de la página y no le importa la bandera de permisos.

Qué hacer con cada uno

En Extractor PDF esto se traduce en algo simple: si el modo Texto inteligente te devuelve la pantalla vacía o un mensaje diciendo que el documento no tiene capa de texto, tenés un escaneado y hay que ir a la pestaña de OCR. Si te devuelve texto pero con errores raros de caracteres, tenés un híbrido y también conviene el OCR.

Lo que hay que recordar

El PDF no guarda documentos, guarda instrucciones de dibujo. Saber si esas instrucciones incluyen texto real o solamente una foto es lo que determina si vas a obtener una extracción exacta o una aproximación que hay que revisar. Diez segundos de diagnóstico al principio valen más que una hora corrigiendo a mano después.