Cómo aplicar OCR a un PDF escaneado para que se pueda buscar en él

Un PDF escaneado es una imagen, no texto: no puedes buscar, seleccionar ni copiar su contenido. Esta guía muestra las dos vías locales de pdfmcp: aplicar OCR para obtener un PDF con capacidad de búsqueda, o aplicar OCR para obtener texto sin formato, todo en tu dispositivo, con los ajustes que realmente importan.

Por qué un PDF escaneado no tiene texto

Un escáner guarda una fotografía de cada página. Las palabras son píxeles dentro de una imagen, no caracteres, así que la búsqueda no encuentra nada, al seleccionar texto no se selecciona nada y no hay nada que copiar al copiar y pegar. El OCR (reconocimiento óptico de caracteres) lo soluciona: lee la imagen de cada página y deduce qué caracteres forman los píxeles.

pdfmcp utiliza Tesseract para ello. Hay dos operaciones de OCR, y cada una responde a una necesidad distinta. ocr_pdf te devuelve un PDF con el mismo aspecto, pero con una capa de texto invisible, de modo que el propio documento se vuelve apto para búsquedas y selección. ocr_to_text te devuelve solo las palabras, como texto sin formato. Las dos se ejecutan localmente.

Elige la vía: PDF con capacidad de búsqueda o solo texto

Elige ocr_pdf cuando el documento tiene que seguir siendo un documento: un contrato, un informe o un archivo que otras personas abrirán, consultarán y citarán. Se ejecuta localmente con el paquete pdfmcp, porque crear un PDF limpio con capacidad de búsqueda requiere maquinaria pesada. Las páginas que ya tienen una capa de texto pasan sin cambios y se notifican como omitidas, así que ejecutarlo en un documento mixto es seguro.

Elige ocr_to_text cuando solo necesitas las palabras: para pegarlas en una nota, pasarlas a un script o leer lo que dice un escaneo. En el sitio web se ejecuta en tu dispositivo, en tu navegador, y tu archivo nunca se sube; ten en cuenta que la versión web en el dispositivo incluye solo inglés. La misma operación con el paquete local puede configurar el idioma.

Crear un PDF con capacidad de búsqueda, paso a paso

1) Instala el paquete pdfmcp una sola vez (consulta la página MCP). 2) Ejecuta la operación ocr_pdf sobre tu archivo, con el paquete local, un agente conectado por MCP local o tu propio código. 3) Abre el resultado y compruébalo: busca una palabra que puedas ver en la página. Si la búsqueda la encuentra y la resalta en el lugar correcto, la capa de texto está puesta.

Si trabajas a través de un agente de IA, esos mismos pasos se reducen a una sola solicitud: conecta el servidor MCP local una vez (consulta las guías de configuración) y luego pide al agente que aplique OCR al archivo. Todo ocurre en tu máquina.

Los ajustes que importan: idioma, DPI y páginas

El idioma es el ajuste en el que la gente más se equivoca. El valor predeterminado es eng (inglés). Para otros idiomas, configura el parámetro de idioma con el código de idioma de Tesseract, o combina códigos: eng+deu para un documento que mezcla inglés y alemán, por ejemplo. Los datos de idioma se descargan una sola vez en el primer uso y se quedan en tu máquina. Elegir el idioma en el que realmente está escrito el documento importa mucho más que cualquier otro ajuste.

DPI tiene un valor predeterminado de 300 y se puede configurar entre 150 y 600: es la resolución a la que se renderiza cada página antes del reconocimiento. Déjalo en 300 para escaneos normales; un valor más alto puede ayudar con la letra pequeña, a costa de un trabajo más lento en tu máquina. Por último, el parámetro de páginas limita el trabajo a las páginas que indiques (1-3,5,8, por ejemplo), que es la forma más rápida de probar tus ajustes en unas pocas páginas antes de procesar un documento largo.

Límites, privacidad y los límites honestos

En la práctica te limita tu dispositivo: memoria y velocidad, y en el navegador archivos de hasta unos 100 MB y 500 páginas. Los documentos muy largos tardan lo que tarde tu máquina; dividir un escaneo enorme en partes sigue siendo una buena idea.

La privacidad sigue las reglas de pdfmcp, sin ninguna afirmación más fuerte que la que hace el propio sitio: todo se ejecuta localmente, tu archivo nunca se sube, nunca se almacena en ningún servidor y nunca se usa para entrenar IA. Y el límite honesto: el OCR lee texto impreso a partir de un escaneo razonablemente nítido. La escritura a mano, los escaneos de muy bajo contraste y las páginas dañadas producirán errores: el resultado es una capa de texto de mejor esfuerzo, no una transcripción certificada, así que comprueba los nombres y números importantes con la imagen de la página.

Pruébalo gratis en tu navegador

Preguntas frecuentes

¿El OCR es gratuito en pdfmcp?

Sí, gratis para siempre. La herramienta de OCR a texto en el dispositivo es gratuita y no requiere ninguna cuenta. El OCR completo con el paquete local también es gratuito, sin clave y sin cupo diario. No hay ningún plan de pago.

¿El OCR cambiará el aspecto de mi PDF?

ocr_pdf añade una capa de texto invisible; las imágenes de las páginas quedan como estaban. Las páginas que ya tienen texto pasan sin cambios y se notifican como omitidas.

¿Qué idiomas puede leer el OCR?

Con el paquete local, configura el parámetro de idioma con un código de idioma de Tesseract (eng por defecto; funcionan combinaciones como eng+deu): los datos de idioma se descargan una sola vez en el primer uso. La herramienta web de OCR a texto en el dispositivo incluye solo inglés.

¿Por qué tarda mi escaneo grande?

El OCR es un trabajo pesado y se ejecuta en tu máquina, así que un escaneo muy largo tarda lo que tarde tu ordenador. Divide el documento en partes más pequeñas y aplica OCR a esas partes, o, si el archivo ya tiene una capa de texto, extrae ese texto con pdf_to_text en su lugar.

¿El OCR funciona con escritura a mano?

Está pensado para texto impreso. La escritura a mano y los escaneos de mala calidad pueden producir errores, así que verifica los detalles críticos con la imagen original de la página.

Publicado originalmente en https://pdfmcp.org/guides/how-to-ocr-a-scanned-pdf/