Extraer texto de un PDF escaneado: guía y OCR
Cómo saber si tu PDF ya tiene texto y, si es un escaneo, qué opciones gratuitas de OCR hay: Texto en vivo, Google Drive y Tesseract, con sus límites.
Para sacar el texto de un PDF escaneado hay dos caminos. Si el PDF ya trae una capa de texto, no necesitas OCR: extrae el texto del PDF directamente. Si las páginas son imágenes, necesitas un programa de OCR, y entre las opciones gratuitas están Texto en vivo de Apple, Google Drive y Tesseract. Aquí se explica cómo distinguir los dos casos, qué hace cada opción con tu archivo y qué ayuda a que el reconocimiento salga bien.
Primero comprueba si el PDF ya tiene texto
Un PDF que sale de un escáner o de fotos de una hoja guarda cada página como una imagen. Uno exportado desde Word o desde un sistema de facturación suele traer el texto de verdad. La diferencia se nota al buscar una palabra con Ctrl+F: si la encuentra, hay texto. Si no, es una imagen.
La herramienta de extraer texto de PDF de Docuboxer hace esa comprobación por ti. Extrae el texto de las páginas que lo tienen y lista las páginas sin texto extraíble, porque no hace OCR y no inventa el contenido de lo que no puede leer. La guía de por qué no puedes copiar el texto de un PDF detalla las otras causas, como las restricciones del autor.
Qué hace el OCR realmente
Una página escaneada es una fotografía. El archivo no contiene letras, solo píxeles dispuestos para que parezcan letras. El OCR (reconocimiento óptico de caracteres) analiza esos píxeles, identifica los caracteres que forman y reconstruye el texto. El resultado depende de la calidad de la imagen más que de cualquier otro factor, y por eso conviene revisarlo siempre antes de usarlo en un contrato o en una factura.
Opciones gratuitas para hacer OCR
- Texto en vivo (Apple): en el iPhone y el iPad, reconoce el texto de fotos y imágenes y deja copiarlo. Según Apple, usa inteligencia en el dispositivo. Pide un iPhone XS, XR o posterior con iOS 15 o superior, según la ayuda de Apple.
- Aplicaciones de cámara con reconocimiento de texto: algunas, como Google Lens en Android, dejan copiar el texto de una foto o de una captura. Revisa la política de privacidad de la que uses antes de pasarle un documento sensible.
- Google Drive: sube el PDF escaneado y ábrelo con Google Docs, y el texto se reconoce en la conversión. Es gratuito, pero el documento pasa por los servidores de Google. Según su ayuda de Drive, el archivo debe pesar 2 MB o menos, el texto tener al menos 10 píxeles de alto y el documento estar derecho; si la imagen sale girada, hay que rotarla antes de subirla.
- Tesseract: motor de OCR de código abierto con licencia Apache 2.0. Lo instalas y se ejecuta en tu equipo, desde la línea de comandos (hay documentación del proyecto). Es la opción local y automatizable para muchos archivos.
Los pasos son los mismos en todas: cargar el documento, elegir el idioma, esperar el procesamiento y copiar el texto. Docuboxer todavía no tiene una herramienta de OCR. Por ahora no figura en la suite.
Cómo mejorar la precisión del reconocimiento
La documentación de Tesseract sobre calidad de imagen reúne las prácticas que más influyen, y valen para cualquier motor:
- Resolución: Tesseract funciona mejor con imágenes de al menos 300 DPI. Si escaneas, configura el escáner para eso.
- Inclinación: una página muy torcida reduce la calidad del reconocimiento de líneas. Enderézala antes.
- Bordes: los bordes oscuros del escáner pueden leerse como caracteres, así que recórtalos. Tampoco conviene recortar el texto sin dejar un pequeño margen.
- Idioma: indica el del documento. Tesseract publica datos entrenados por idioma, entre ellos el español.
Por qué el OCR es una decisión de privacidad
Se hace OCR sobre contratos, expedientes médicos, estados de cuenta y documentos de identidad. Son de los archivos más sensibles que existen, y el reconocimiento exige entregar la página completa y sin tachar al programa que la procesa. Con una opción que se ejecuta en tu equipo, como Tesseract o Texto en vivo, el documento no llega a un servidor ajeno. Con una que sube el archivo, como Google Drive, sí. Elige según lo que contenga el papel.
Si el PDF tiene muchas páginas
Conviene dividir el PDF y procesar solo las páginas que necesitas, o exportar las páginas como imágenes para pasarlas una a una a una aplicación que solo acepta imágenes. Si el resultado final tiene que volver a ser un PDF, convertir imágenes a PDF y unir varios PDF cubren esa parte.
Comprueba si tu PDF ya tiene texto
Extrae el texto en tu navegador y te avisa de las páginas que son imagen.
Extraer texto de PDF →Preguntas frecuentes
¿Por qué no puedo seleccionar el texto de mi PDF?
Porque las páginas son imágenes. Un escáner o la cámara del celular producen una foto del documento y el archivo no contiene letras que el lector pueda seleccionar. El OCR es el proceso que reconoce esos píxeles y los convierte otra vez en caracteres. Antes de recurrir a él, comprueba que el PDF no tenga ya una capa de texto con la herramienta de extraer texto.
¿Hay un OCR gratuito que no suba mi documento a un servidor?
Sí. Texto en vivo (Live Text) de Apple funciona en iPhone y iPad, y Apple dice que reconoce el texto con inteligencia en el dispositivo. Tesseract es un motor de código abierto que se ejecuta en tu equipo desde la línea de comandos. Google Drive también es gratuito, pero el archivo se sube a Google para convertirlo.
¿Qué tan preciso es el OCR?
Depende sobre todo de la imagen, y no hay una cifra que valga para todos los documentos. La documentación de Tesseract recomienda imágenes de al menos 300 DPI y avisa de que una página muy inclinada o con bordes oscuros de escáner reduce la calidad del reconocimiento. Revisa siempre el texto resultante antes de usarlo.
¿El OCR funciona con documentos en español?
Sí. Tesseract publica datos entrenados para el español y para más de cien idiomas, y debes indicar el idioma del documento al ejecutarlo. En Texto en vivo, Apple documenta que el idioma y la región disponibles varían, así que confirma que el tuyo está en la lista.
¿Docuboxer tiene OCR?
Todavía no. La herramienta de extraer texto lee solo PDF que ya traen texto, y cuando encuentra páginas que son imagen te las lista en lugar de devolver un resultado vacío. Por ahora no hay OCR en la suite.
¿Y si el PDF escaneado tiene muchas páginas?
Si solo necesitas el texto de algunas, sepáralas antes con la herramienta de dividir PDF para procesar menos. Si tu aplicación de OCR trabaja con imágenes, exporta las páginas con PDF a JPG y pásalas una por una.
Herramientas relacionadas
- Extraer texto de PDF: el texto de los PDF que ya lo traen.
- Dividir PDF: quédate con las páginas que necesitas.
- PDF a JPG: exporta páginas como imágenes para una app de OCR.
- Comprimir PDF: reduce el peso de un escaneo.
- Unir PDF: combina varios escaneos en un archivo.
Para otras tareas, consulta la lista de herramientas PDF que no suben tu archivo.
Fuentes
- Ayuda de Google Drive, convertir imágenes y PDF en texto (consultado el 2026-10-12).
- Tesseract, documentación del proyecto (consultado el 2026-10-12).
- Tesseract, cómo mejorar la calidad del resultado (consultado el 2026-10-12).
- Tesseract, archivos de datos por idioma (consultado el 2026-10-12).
- Apple, copiar y traducir texto de fotos en iPhone y iPad (consultado el 2026-10-12).
- Apple Newsroom, presentación de iOS 15 y Texto en vivo (consultado el 2026-10-12).