Extraer Texto de PDF o Imagen

No, y en esta herramienta importa especialmente, porque lo que se sube aquí son facturas, nóminas y contratos. El reconocimiento lo hace tu propio navegador. Lo único que se descarga de internet es el programa que lee el texto y el diccionario del idioma, una vez; tu documento no se envía a ninguna parte, ni a nosotros ni a nadie.

Porque son dos cosas distintas. La mayoría de los PDF que se generan por ordenador — una factura, un extracto, una nómina — ya llevan el texto dentro, y entonces solo hay que leerlo: es inmediato y sale exacto. Un PDF escaneado es una foto de un papel y no lleva texto ninguno, así que hay que reconocerlo letra a letra, y eso tarda. Miramos primero si hay texto y solo pasamos por reconocimiento las páginas que vienen vacías.

Con un escaneo limpio y recto, en torno al 98 % de las palabras. Con una foto hecha a pulso, con sombras o con el papel curvado, baja bastante. Los fallos típicos son confundir el 0 con la O, el 1 con la l y perder los acentos. Te decimos siempre si el texto salió de la capa del PDF o de un reconocimiento, porque en el segundo caso hay que repasarlo antes de usarlo para algo serio.

Luz uniforme y sin brillos, el papel lo más plano posible, la cámara de frente y no de lado, y que el texto ocupe casi todo el encuadre. Una foto de una hoja entera desde lejos da muchos menos aciertos que cuatro fotos de los cuatro cuartos. Y elige bien el idioma: en español es lo que recupera las eñes y los acentos.

Sí, están los tres en el selector, además del español, el inglés, el portugués, el francés, el alemán y el italiano. Cada idioma descarga su propio diccionario la primera vez que lo usas, unos 20 MB, y luego se queda guardado en tu navegador para las siguientes.

Para leer la capa de texto, no. Para reconocer páginas escaneadas el tope son 30: por encima de eso, el tiempo en el navegador de alguien se vuelve irrazonable, sobre todo en un móvil. Si tienes un documento más largo, divídelo y pásalo por partes.