PDF escaneado vs. PDF de texto: por qué algunos documentos se convierten y otros no devuelven nada
La pregunta de soporte más común sobre la conversión de PDF es alguna versión de «arrastré mi PDF y obtuve un archivo vacío». En casi todos los casos el PDF es un escaneado: fotografías de páginas envueltas en un contenedor PDF, sin ningún texto dentro.
Este artículo explica los dos tipos de PDF, una prueba de dos segundos que te dice cuál tienes en las manos, por qué la ausencia de OCR en un conversor es una decisión de diseño y no una carencia, y el flujo de trabajo exacto que convierte un documento escaneado en Markdown de todos modos.
Todo PDF es de uno de dos tipos
Un PDF basado en texto lleva una capa de texto: caracteres almacenados como códigos de caracteres con información de fuente y posición, tal como los emitiría un procesador de textos. Los documentos exportados desde Word, LibreOffice, Google Docs, LaTeX o la mayoría del software de informes están basados en texto, aunque también contengan imágenes.
Un PDF de solo imágenes es una secuencia de fotografías de páginas envueltas en el formato PDF. Los escáneres los producen, igual que las aplicaciones de escaneo del teléfono, las pasarelas de fax a correo y las fotocopiadoras que se envían los documentos a su propio correo. Los píxeles son todo lo que hay; no hay caracteres dentro.
La confusión es comprensible porque ambos son indistinguibles a simple vista. Un PDF escaneado se abre en un lector, muestra texto nítido, admite zoom — y no contiene ni un solo código de carácter. El texto que ves es una imagen de texto.
La prueba de dos segundos
Abre el PDF en cualquier lector e intenta seleccionar una oración con el ratón. Si la selección resalta palabras y puedes copiarlas a un editor de texto y recuperar texto real, el PDF está basado en texto y cualquier conversor lo leerá.
Si al hacer clic y arrastrar se dibuja un cuadro de selección rectangular, estilo captura de pantalla, en lugar de resaltar texto, el PDF es un escaneado. Nada es seleccionable porque no existe nada seleccionable. El comando de copiar no produce nada por la misma razón.
El tamaño del archivo es una señal secundaria aproximada: un PDF de texto de diez páginas suele pesar menos de un megabyte, mientras que un escaneado de diez páginas a 300 dpi suele ocupar decenas de megabytes. Sin embargo, la prueba de selección es definitiva: el tamaño varía demasiado con la compresión de imagen como para confiar solo en él.
Por qué ningún conversor puede saltarse el OCR
Un conversor lee lo que el archivo contiene. En un PDF basado en texto eso significa códigos de caracteres, que se traducen limpiamente a texto Markdown. En un PDF de solo imágenes significa píxeles, y los píxeles no son texto en ningún sentido que un escritor de Markdown pueda emitir.
Salvar esa distancia requiere reconocimiento óptico de caracteres: un modelo que mira la imagen de cada glifo y adivina qué carácter representa. El OCR es un dominio amplio y especializado — modelos ajustados por escritura, análisis de diseño, puntuación de confianza — y acoplar uno mediocre a un conversor produce texto que parece plausible y está mal exactamente en los lugares que importan: números, nombres y términos legales.
Por eso el conversor de este sitio lee capas de texto y se niega a adivinar píxeles, diciéndote qué páginas no tienen texto extraíble en lugar de entregarte un documento de aspecto seguro lleno de errores de reconocimiento. Un documento equivocado cuesta más que uno rechazado.
Qué hace realmente el OCR y dónde falla
El software de OCR segmenta la imagen de una página en líneas y palabras, clasifica los caracteres de cada palabra y escribe un nuevo PDF basado en texto o una salida de texto plano — a menudo conservando la imagen original para mostrarla y con el texto reconocido superpuesto de forma invisible. Herramientas de escritorio como el OCR de Adobe Acrobat, o el ocrmypdf de código abierto construido sobre Tesseract, lo hacen bien.
Sus modos de fallo son constantes entre motores. Los glifos visualmente confundibles — la I mayúscula, la l minúscula, el dígito 1 — se clasifican mal de formas que el corrector ortográfico no detecta. La calidad del reconocimiento cae con escaneados de baja resolución, páginas torcidas, fotocopias tenues y escritura a mano. Y las tablas son de nuevo el peor caso: el OCR lee el texto de las celdas en orden de lectura, pero no reconstruye nada de la cuadrícula.
El idioma también importa: los modelos de reconocimiento son específicos de cada escritura, y los documentos multilingües se degradan en el idioma minoritario. Nada de esto vuelve inútil al OCR; convierte su salida en un borrador que merece la misma verificación que le darías a una tabla convertida.
Por qué esta herramienta se niega a adivinar
Cuando el conversor encuentra una página sin capa de texto, no devuelve basura, pero tampoco devuelve nada: te lo dice. El resultado de la conversión incluye una advertencia que enumera los números de página que parecen necesitar OCR, y si todo el documento carece de texto, el error lo dice claramente.
Este es el contrato honesto de una herramienta local: precisa sobre lo que leyó, explícita sobre lo que no pudo. La salida parcial silenciosa, la alternativa, es la forma en que un capítulo que falta termina publicado o un contrato sin firmar se archiva como completo.
El diseño además mantiene la herramienta pequeña y rápida. Los modelos de OCR de una sola escritura eclipsarían al propio motor de análisis, y distribuirlos en el navegador multiplicaría el tamaño de descarga por una capacidad que el software de escritorio ya realiza mejor.
Arreglar primero el PDF escaneado
El flujo de trabajo para documentos escaneados es: primero OCR, después conversión. Pasa el archivo por el software de OCR que prefieras — el reconocimiento integrado de Acrobat, ocrmypdf en la línea de comandos o la exportación de una aplicación del teléfono con reconocimiento activado — y obtendrás un PDF buscable, con capa de texto.
Luego convierte esa salida. El paso de conversión y el de reconocimiento tienen calidad independiente, y mantenerlos como etapas separadas e inspeccionables significa que puedes verificar el resultado del OCR en un editor de texto antes de que cualquier proceso posterior lo consuma.
Una advertencia: elige ajustes de OCR que conserven la imagen original de la página y añadan la capa de texto, en lugar de volver a renderizar las páginas, para que el PDF buscable siga siendo fiel al escaneado. Después de eso se aplica el consejo habitual de calidad de conversión, con un añadido: las tablas con OCR necesitan la misma revisión puntual que cualquier tabla convertida, doblemente, porque los errores de reconocimiento y de estructura pueden acumularse.
PDF mixtos: el resultado parcial
Los documentos del mundo real suelen ser híbridos: un informe basado en texto con una página de firmas escaneada, un contrato con un anexo fotocopiado, un artículo con figuras escaneadas insertadas. La conversión los maneja página a página: las páginas de texto se convierten, las de imagen no producen nada y quedan marcadas en las advertencias.
Lee la lista de advertencias antes de leer la salida. Te dice exactamente qué secciones del documento están ausentes, de modo que el resultado parcial pueda fusionarse con las páginas procesadas con OCR por separado, en lugar de confundirse con el documento completo.
Ese caso híbrido es el argumento más fuerte del diseño basado en advertencias: la herramienta no decide por ti si el ochenta por ciento de un documento es suficiente. Informa del límite con precisión y deja el juicio, y el paso del OCR, donde corresponde: contigo.