“OCR de PDF” se ocupa de los escaneos y de los PDF de solo imagen en los que el texto no se puede seleccionar: cada página se renderiza primero a 300 dpi, el motor tesseract del navegador la reconoce y después puedes exportar el resultado de tres formas: un “PDF con búsqueda” que conserva la imagen original y le superpone una capa de texto invisible, un TXT con las páginas separadas por “—— Página n ——”, o un DOCX con un grupo de párrafos por página y saltos de página entre ellas.

Si el PDF ya tiene capa de texto (se puede seleccionar y buscar con Ctrl+F), no hace falta el OCR: “PDF a Word” o “Extraer texto” leen esa capa directamente, con más rapidez y precisión. Y si solo tienes imágenes sueltas, usa “OCR de imágenes”.

1. 01Elige el idioma y sube el PDFpor defecto “chino simplificado + inglés (recomendado)”; arrastra un PDF y verás el número de páginas; si pasa de 20, avisa de que “reconocer página a página tarda bastante”.
2. 02Inicia el reconocimientola barra avanza con “Página x/n · reconociendo el texto” y el área de texto va añadiendo el resultado de cada página; “Cancelar reconocimiento” conserva las páginas ya reconocidas.
3. 03Revisa el texto“Texto reconocido” se muestra separado por páginas y se puede editar; los cambios solo afectan al TXT descargado, no al PDF con búsqueda ni al DOCX.
4. 04Exporta“Descargar PDF con búsqueda”, “Descargar TXT” y “Descargar DOCX” generan <original-name>_buscable.pdf, <original-name>_OCR.txt y <original-name>_OCR.docx. La primera vez que generas el PDF con búsqueda hay que cargar la fuente china integrada Noto Sans SC (unos 10 MB, solo la primera vez; luego queda en caché).

Entrada

un único PDF; si está cifrado aparece “No se ha podido abrir el PDF: puede estar dañado o cifrado”; quita antes la contraseña con “Desbloquear PDF”

Tiempo

cada página se renderiza a 300 dpi (el lado más largo no supera los 4.500 píxeles) y luego se reconoce; decenas de páginas pueden tardar varios minutos, conviene no pasar de 50 por tanda y dividir antes con “Dividir PDF” si hay muchas

Capa de texto

solo se incrustan las palabras con una confianza superior al 20%; las demasiado pequeñas o consideradas ruido se omiten; los símbolos poco comunes que no se pueden codificar cuentan como “omitidos” y se muestran en el aviso final; la zona seleccionable sigue aproximadamente el texto original, sin precisión a nivel de píxel

Fidelidad

el DOCX solo contiene los párrafos reconocidos (tamaño de letra uniforme y salto de página entre páginas), sin imágenes, tablas ni maquetación; la imagen de página del PDF con búsqueda es un JPEG renderizado de nuevo

Lo que no hace

no corrige la inclinación ni las sombras (si son fotos, usa antes “Mejora de escaneos”), no traduce ni estructura tablas; si el PDF tiene capa de texto, usa “PDF a Word” o “Extraer texto”

El renderizado y el reconocimiento del PDF se hacen por completo en el navegador y el contenido de las páginas no se sube. El motor y los paquetes de chino simplificado e inglés los aloja este sitio y hay que descargarlos la primera vez; los de chino tradicional y japonés vienen del CDN público por defecto de tesseract.js; para generar el PDF con búsqueda hay que descargar una vez la fuente Noto Sans SC (unos 10 MB) y guardarla en caché. Todas estas peticiones solo obtienen el motor, los paquetes de idioma y la fuente: nunca tu documento.