Extracción de texto en PDF vs. OCR: elija el camino correcto antes de traducir
Pruebe cada página del PDF antes de traducir. Use este experimento con archivos mixtos para decidir cuándo conservar el texto existente, aplicar OCR o reemplazar una capa de texto engañosa.
Utilice la extracción de texto cuando un PDF ya contenga texto legible por máquina y confiable. Utilice OCR cuando una página contenga únicamente una imagen de texto. Si una página tiene una capa de texto existente que es incorrecta, ninguna de las dos reglas basta: debe comparar las palabras extraídas con la página visible antes de decidir si conserva, reemplaza o rehace esa capa.
Esa decisión debe tomarse antes de traducir. Un traductor no puede recuperar una cantidad, un nombre o una oración que ingresó de forma incorrecta al flujo de trabajo. Solo puede traducir el texto de origen que recibe.
Tabla de decisión rápida
Pruebe páginas, no solo archivos. Un solo PDF puede combinar una portada digital, capítulos escaneados y anexos con un OCR antiguo.
| Qué contiene una página | Qué devuelve la extracción | Primer camino | Qué se debe verificar |
|---|---|---|---|
| Texto digital nativo | Las mismas palabras que se muestran en la página | Conservar y extraer | Caracteres, orden, encabezados, enlaces y una muestra más amplia |
| Solo imagen de página | Resultado vacío o casi vacío | Aplicar OCR a esa página | Nombres, números, párrafos, columnas e idioma |
| Escaneo más texto oculto preciso | Texto que coincide con la imagen | Por lo general, conservarlo | Pasajes representativos y diseños complejos |
| Escaneo más texto oculto inexacto | Palabras o números verosímiles pero erróneos | Reemplazar o rehacer la capa de OCR | El fallo conocido y, después, una nueva muestra |
| Texto digital con asignación u orden rotos | Caracteres ilegibles u orden de lectura desordenado | Diagnosticar antes de aplicar OCR | Si una mejor ruta de exportación o extracción conserva más estructura |
Poder seleccionar palabras solo demuestra que existe un objeto de texto. No prueba que el texto coincida con la página. A la inversa, que falle la prueba de copiado no demuestra que todo el PDF sea exclusivamente una imagen.
Nuestra prueba con un PDF mixto de cuatro páginas
Hemos creado un PDF descargable de cuatro páginas con contenido controlado. No contiene ningún documento privado ni de terceros:
- una página nativa digital;
- una página de solo imagen;
- una página con aspecto escaneado y una capa de texto oculto correcta;
- una página con aspecto escaneado y una capa de texto oculto deliberadamente engañosa.
En cada página, ejecutamos Poppler pdftotext sobre los datos existentes del PDF. De forma independiente, renderizamos la página a 300 dpi y ejecutamos Tesseract sobre esa imagen. La referencia visible quedó fijada antes de realizar cualquiera de las pruebas.
| Página | Extracción existente | OCR de la página renderizada | Decisión respaldada por esta prueba |
|---|---|---|---|
| Texto digital | Coincidió con la referencia visible | También coincidió | Conserve el texto digital existente; el OCR no aporta ningún valor aquí |
| Solo imagen | Vacío | Coincidió | El OCR es necesario si se requiere texto legible por máquina |
| OCR oculto correcto | Coincidió | Coincidió | La capa existente superó esta muestra controlada |
| OCR oculto engañoso | Devolvió DX-4O7, 53 foliosy section 7.8 | Devolvió el visible DX-407, 58 foliosy section 7.5 | No se debe confiar en la capa seleccionable |
La cuestión no es que Tesseract siempre gane. Lo hizo en este caso de prueba en inglés limpio porque diseñamos la página para aislar la decisión. En escaneos ruidosos, alfabetos poco comunes, tablas, escritura a mano o diseños complejos, un OCR nuevo puede fallar de formas distintas.
El archivo de resultados página por página, hoja de decisiones, notas de reproduccióny el generador están disponibles con el archivo de prueba. A fecha de 21 de septiembre de 2026, las versiones registradas eran Poppler pdftotext 26.08.0 y Tesseract 5.5.3.
Qué demuestra la prueba (y qué no)
Demuestra que cuatro páginas visualmente legibles pueden requerir tres vías de preparación distintas antes de la traducción. También demuestra que el texto indexable puede diferir de la página sin dejar de parecer verosímil.
No mide la precisión general del OCR, la accesibilidad para el lector, la recuperación de tablas, el reconocimiento multilingüe ni el comportamiento de subida de BookTranslator. Las páginas son sencillas y los errores de la página cuatro se insertaron deliberadamente; Tesseract no los generó.
Por qué la extracción y el OCR son operaciones diferentes
La extracción de texto lee los objetos de texto ya almacenados en el PDF. El OCR reconoce caracteres a partir de píxeles. La guía de extracción de pypdf actual establece el mismo límite: pypdf puede leer una capa de texto existente, pero no puede reconocer palabras dentro de una imagen.
Esa distinción es fundamental porque un PDF digital puede contener información que la rasterización descarta o dificulta recuperar: codificaciones de caracteres, información de fuentes, enlaces, gráficos vectoriales y otros objetos del documento. pypdf desaconseja explícitamente tratar el OCR como la solución universal para archivos de origen digital. También explica otra limitación: el formato PDF suele almacenar el texto para su colocación visual, no como párrafos, tablas o encabezados semánticos.
Por tanto, en la revisión previa deben plantearse dos preguntas independientes:
- ¿Son correctos los caracteres? Compare con la página los nombres, números, signos de puntuación y términos poco comunes que se hayan extraído.
- ¿Es aprovechable la estructura? Lea un párrafo completo y luego inspeccione columnas, notas al pie, tablas, pies de foto y saltos de página.
Unos caracteres correctos en el orden equivocado siguen siendo una fuente inservible para la traducción.
Revisión previa página por página antes de traducir
1. Conserve el original
Guarde un archivo fuente intacto y registre su hash si el documento es importante. Realice las pruebas sobre copias. Sustituir una capa de texto imperfecta puede acoplar el contenido vectorial o descartar información que pueda necesitar más adelante.
2. Haga un inventario de los tipos de página
No tome la decisión basándose solo en la primera página. Tome muestras de las páginas preliminares, páginas estándar del cuerpo, apéndices, tablas, ilustraciones, encartes y cualquier página que parezca fotografiada o fotocopiada.
En documentos extensos, anote los rangos de páginas:
| Rango | Tipo observado | Fragmento de prueba | Resultado | Ruta planificada |
|---|---|---|---|---|
| 1–4 | Páginas preliminares digitales | Título, autor, edición | Coincide | Mantener extracción |
| 5–126 | Escaneos de páginas | Un párrafo y dos números | Sin texto | OCR |
| 127–133 | Inserción con texto buscable | Nombre, fecha, fila de tabla | Dos errores | Reemplazar OCR existente |
El CSV descargable utiliza el mismo patrón para nuestro caso de prueba.
3. Compare elementos difíciles, no solo prosa sencilla
Las oraciones que parecen fluidas no bastan como comprobación. Incluya:
- el nombre de una persona;
- una fecha y una cantidad;
- un identificador que mezcle letras y números;
- texto con tildes o caracteres no latinos;
- una oración que cruce un salto de línea;
- un pasaje cercano a una nota al pie, una figura o una segunda columna.
La página cuatro de nuestro archivo de prueba parecería utilizable si la comprobación se limitara a las palabras comunes. Los errores se concentran en O/0, 58/53y 7.5/7.8—exactamente el tipo de tokens que pueden alterar referencias y datos tras la traducción.
4. Clasifica la incertidumbre con honestidad
Utiliza cuatro resultados: muestra superada, muestra fallida, sin texto extraíble o aún no evaluado. «Seleccionable» no es un resultado. «El OCR ha terminado», tampoco.
El muestreo tiene límites. Que tres páginas pasen la prueba no certifica un libro de 400 páginas, especialmente cuando el archivo contiene diferentes escaneos o maquetaciones. Aumenta la cobertura allí donde cambie la fuente.
Elige el modo de OCRmyPDF solo tras el diagnóstico
La documentación actual de OCRmyPDF describe varios comportamientos para las páginas que ya contienen texto. Son opciones de enrutamiento, no garantías de calidad.
- El comportamiento predeterminado se detiene cuando una página ya contiene texto imprimible o una capa oculta de OCR porque no puede determinar con certeza qué tipo ha encontrado.
- Omitir texto copia las páginas que contienen texto sin modificarlas y aplica OCR al resto. Solo resulta útil en un archivo mixto si el texto existente es fiable.
- Rehacer OCR elimina el texto de OCR no imprimible existente y vuelve a reconocer la página, excluyendo el texto vectorial imprimible. Puede ser adecuado para una combinación de páginas digitales y con OCR previo, pero no es capaz de identificar cualquier disposición histórica.
- Forzar OCR rasteriza el contenido vectorial y aplica OCR a la imagen resultante. Puede sustituir una capa defectuosa, pero sacrifica información y puede aplanar el contenido interactivo.
Esta semántica procede de la documentación sobre errores de texto existentede OCRmyPDF 17.12.1. Lee la documentación correspondiente a la versión instalada antes de ejecutar un procesamiento por lotes. El nombre de un parámetro no garantiza que el resultado conserve los marcadores, las etiquetas, los enlaces, los formularios o la estructura accesible.
En nuestro archivo de prueba, omitir texto conservaría el texto oculto deliberadamente erróneo de la página cuatro. Por eso, el filtro de copiar y comparar debe aplicarse antes de seleccionar un modo por lotes.
Errores comunes
«Si el texto se puede seleccionar, no hace falta OCR»
La página cuatro desmiente esa regla. La selección detecta existencia, no fidelidad.
«Aplica OCR a todo el PDF por si acaso»
Eso puede degradar páginas digitales nítidas y descartar objetos útiles del PDF. Además, amplía el volumen de revisión sin corregir automáticamente el orden de lectura semántico.
«Usa el resultado que parezca más fluido»
La fluidez es peligrosa en este punto. Compara el texto con la página visible. No permitas que un modelo de lenguaje repare en silencio un identificador o una cifra para luego dar por bueno el resultado como si fuera el original.
«Una página impecable representa a todo el archivo»
Los PDF mixtos son habituales: una portada digital puede preceder a capítulos escaneados, o un libro con texto seleccionable puede incluir encartes que solo son imágenes. Documenta las decisiones por rango de páginas.
Criterios de validación para un PDF listo para traducir
Antes de enviar el archivo a un flujo de traducción, asegúrate de cumplir todos los puntos siguientes:
- Cada rango de páginas está clasificado como digital, solo imagen o con OCR existente.
- Las capas existentes defectuosas cuentan con una vía de sustitución documentada.
- Los nombres, números, identificadores y términos poco comunes superan la comparación con el original en las páginas de muestra.
- El orden de los párrafos y columnas resulta legible en el texto de origen extraído.
- Las tablas, figuras, notas al pie y ecuaciones están verificadas o se gestionan expresamente como elementos independientes.
- El PDF original se conserva para poder cotejarlo tras la traducción.
Consulta la guía para diagnosticar problemas al copiar y pegar cuando un PDF con texto dé errores. Recurre al flujo de trabajo para PDF escaneados si las páginas solo contienen imágenes, y a la guía de OCR en varios idiomas cuando la selección del idioma forme parte del problema.
Traduce el texto de origen verificado y revisa el resultado
Si el objetivo final es leer un documento completo en otro idioma, sube el PDF verificado a PDF Translator. En páginas escaneadas o con muchas imágenes, el modo OCR de BookTranslator extrae el contenido reconocible y genera un PDF traducido y limpio; no garantiza conservar con total exactitud la maquetación, las fuentes o los tamaños originales, ni reparar todas las capas de texto ocultas que ya existan.
Conserve su inventario de páginas y el archivo original. Tras la traducción, repita las comprobaciones de alto riesgo en el documento de destino: nombres, cantidades, identificadores, cobertura de páginas, orden de los párrafos y cualquier estructura fundamental. La lista de control de control de calidad para la traducción de PDF cubre esa revisión final de aceptación.
La regla general es simple: extraiga lo que ya sea fiable, aplique OCR solo a lo que requiera reconocimiento y reemplace una capa de texto únicamente después de haber demostrado que es incorrecta.
Publicaciones relacionadas
