Limpiar y aplicar OCR a un PDF escaneado
Eliminar páginas en blanco, mejorar los colores, ejecutar OCR y descargar el PDF buscable.
¿Para qué sirve esta plantilla?
Eliminar páginas en blanco, mejorar los colores, ejecutar OCR y descargar el PDF buscable.
La plantilla deja un documento escaneado limpio y con texto buscable: quita las páginas en blanco, refuerza el contraste y lanza el reconocimiento de texto (OCR), que añade una capa de texto invisible bajo la imagen. Después puedes buscar, copiar o indexar el contenido.
Pasos del pipeline
Esta plantilla encadena automáticamente 5 pasos en el Workspace. Puedes revisar cada ajuste antes de ejecutarla.
- 1Importar un PDF
- 2Eliminar páginas en blanco
- 3Ajustar contraste y colores
- 4OCR de PDF
- 5Descargar el PDF
Por qué los pasos van en este orden
Las páginas en blanco se quitan antes del OCR para no analizar páginas vacías. El contraste se refuerza antes del reconocimiento, porque un texto más nítido se lee mejor.
¿Cuándo usar esta plantilla?
- Hacer consultables facturas o contratos escaneados para encontrarlos por palabra clave.
- Copiar un fragmento de un documento en papel digitalizado sin volver a escribirlo.
- Preparar archivos escaneados antes de clasificarlos.
Procesamiento local en tu navegador
Cuando los módulos utilizados admiten procesamiento local, tus archivos permanecen en tu dispositivo durante la ejecución.
Ajustes que debes revisar
- Idioma del OCR: francés por defecto, inglés, español, alemán, italiano, portugués o francés + inglés; elige el idioma de tu documento.
- Resolución de análisis: escala 1,8 por defecto (unos 130 ppp); súbela para letra pequeña.
- Contraste: reforzado con un ajuste fijo (+20), sin opción en esta plantilla.
Ejemplo
- Antes
- Factura escaneada de 3 páginas, sin texto seleccionable.
- Después
- PDF de 3 páginas en el que puedes buscar «Total» o el número de factura.
Límites que conviene conocer
- El reconocimiento puede equivocarse con un escaneo borroso, torcido o manuscrito: comprueba importes y nombres.
- Elige el idioma correcto: un documento en español analizado como francés da más errores.
- El OCR es la parte más lenta: cuenta varios segundos por página en el navegador.