Para convertir un PDF escaneado a Markdown, añádelo a MD Factory. La aplicación encuentra las páginas que solo son imágenes de texto, reconoce el texto en tu PC con el OCR integrado y guarda un archivo Markdown junto al PDF.
El OCR lee bien las páginas impresas limpias y se equivoca en las desvaídas, torcidas o escritas a mano, así que cuenta con revisar el resultado comparándolo con el escaneo. Los pasos siguientes cubren lo que cambia respecto a un PDF normal: el idioma del OCR, el estado «Necesita revisión», las tablas, la escritura a mano y la configuración del escáner.
Convierte un PDF escaneado
- Abre MD Factory.
- Haz clic en «Agregar archivos» y elige el PDF, o arrástralo a la ventana. Para convertir una carpeta entera de escaneos, incluidas sus subcarpetas, haz clic en «Agregar carpeta».
- La conversión empieza enseguida. Con el primer PDF, la fila muestra «Cargando el motor PDF» antes de que se procesen las páginas.
- Espera a que la fila muestre el resultado: «Completado», «Necesita revisión» o «Falló».
- Haz doble clic en la ruta del resultado de la fila para abrir el archivo Markdown.
El archivo Markdown recibe el nombre del PDF y se guarda en la misma carpeta. Si las páginas contienen imágenes, como fotos o diagramas, estas van a una carpeta junto a él. El PDF no se modifica.
Scans/
lease-agreement.pdf
lease-agreement.md
lease-agreement_images/Los PDF se convierten uno tras otro, mientras que los demás tipos de documento de la cola se procesan en paralelo. La aplicación solo lee archivos de unidades locales. Si tu escáner guarda en una carpeta de red, copia primero los PDF a tu PC.
Cómo decide la aplicación si una página necesita OCR
Una página necesita OCR cuando su texto existe solo como imagen. MD Factory busca texto seleccionable en cada PDF y elige una de dos vías:
- Si ninguna página tiene texto seleccionable, todo el archivo se trata como un escaneo y cada página se reconoce entera con OCR.
- Si algunas páginas tienen texto, la aplicación lo conserva tal cual y aplica OCR solo donde el texto aparece como imagen, por ejemplo, en una página escaneada dentro de un informe mecanografiado.
Un PDF mixto no necesita preparación. En nuestra prueba, un archivo de tres páginas, con la primera y la última mecanografiadas y la del medio escaneada, dio como resultado un solo archivo Markdown con el texto de las tres páginas.
MD Factory solo acepta escaneos en archivos PDF. Los archivos de imagen como JPG, PNG o TIFF aparecen como omitidos, así que configura la aplicación de tu escáner para que guarde en PDF.
Si tu PDF ya tiene texto seleccionable en todas sus páginas, el OCR no interviene. La guía para convertir PDF a Markdown se ocupa de esos archivos.
Elige el idioma del OCR
Cada PDF empieza con el idioma del OCR en «Auto (detección de script)». En este modo, la aplicación averigua qué alfabeto usa cada página, como el latino, el cirílico, el griego o el árabe, y lee la página con un modelo para ese alfabeto. En nuestras pruebas con páginas limpias a 300 dpi y texto de 12 puntos, el modo Auto leyó una página en inglés sin errores y una en ruso con menos de un carácter erróneo por cada cien.
El idioma se elige cuando un PDF termina como «Necesita revisión» o «Falló»:
- Cuando termine la cola, haz clic en el estado de la fila del archivo. Se abre una ventana con la lista de problemas encontrados.
- Abre la lista «Idioma OCR» y elige el idioma del documento.
- Haz clic en «Reintentar».
No hay ningún ajuste para elegir el idioma de antemano. Cada PDF nuevo empieza en Auto, y el último idioma que elegiste aparece preseleccionado la próxima vez que reintentes.
Dos idiomas en una misma página funcionan en Auto si comparten alfabeto, como el inglés y el alemán.
Si los alfabetos son distintos, Auto lee toda la página como si fuera de uno solo. En la mayoría de los alfabetos, ese modelo también cubre el inglés, así que los términos en inglés de una página en griego o en árabe suelen reconocerse. El cirílico es la excepción: en nuestra prueba, una página con texto en inglés y en ruso recibió «Necesita revisión». Reintenta con el idioma principal de la página y después compara con el escaneo las palabras del otro alfabeto.
Qué significa «Necesita revisión» en un escaneo
«Necesita revisión» significa que la aplicación guardó el archivo Markdown, pero encontró un problema que conviene revisar. En los escaneos, la ventana que se abre desde el estado suele mostrar uno de estos mensajes, con el número de página entre paréntesis:
| Mensaje | Qué ocurrió | Qué hacer |
|---|---|---|
| OCR no pudo leer parte de este documento. Elija un idioma y vuelva a intentarlo. | Las palabras reconocidas en esa página tienen una confianza media inferior al 75%, o no se pudo leer parte de la página. | Elige el idioma del documento y reintenta. Si el idioma ya es el correcto, compara la página con el escaneo o vuelve a escanearla. |
| Una página no tiene texto extraído. Compruébela con la fuente. | No se reconoció nada en esa página. Las páginas en blanco también reciben este mensaje. | Mira la página en el PDF. Si tiene texto, vuelve a escanearla con más nitidez. |
Si no se obtiene texto de ninguna página, el archivo se marca como «Falló» y la ventana sugiere reintentar con un idioma de OCR concreto.
«Completado» no significa que todos los caracteres sean correctos. La comprobación mira la media de toda la página, así que un solo carácter mal leído en una página por lo demás limpia no la activa. En la página de prueba limpia en ruso que mencionamos antes, el número 1248 salió como 124%.
Antes de fiarte del texto, compara con el escaneo cada dato que vayas a usar: nombres, fechas, importes y números de cuenta o de identificación.
Páginas torcidas, con ruido o desvaídas
Una ligera inclinación y algunas motas no son un problema. En nuestras pruebas, una página inclinada alrededor de un grado, algo borrosa y cubierta de motas finas se convirtió como «Completado».
Un escaneo deficiente se marca. Una página borrosa, con poco contraste, escaneada a baja resolución e inclinada 3,5 grados recibió «Necesita revisión».
Antes de convertir, gira en la aplicación del escáner o en un editor de PDF las páginas que estén de lado o al revés. Si una página recibe «Necesita revisión» por su calidad y no por el idioma, vuelve a escanearla con los ajustes de más abajo.
Tablas en páginas escaneadas
MD Factory también busca tablas en las páginas escaneadas y las escribe como tablas de Markdown. Cada celda sigue siendo texto de OCR, y una tabla esconde bien los errores: un dígito equivocado en una columna de cifras parece tan verosímil como uno correcto.
Compara la tabla con el escaneo fila por fila. Suma una columna y comprueba el resultado con el total impreso. Si hay valores que han ido a parar a otra fila o columna, corrígelos en el Markdown. La guía de PDF incluye un ejemplo de cómo reconstruir una tabla que perdió sus filas.
Escritura a mano
MD Factory reconoce texto impreso y mecanografiado. No está pensado para la escritura a mano: las notas manuscritas, los comentarios en los márgenes y los campos rellenados de formularios pueden salir como texto sin sentido o perderse.
No te fíes del texto convertido en nada que esté escrito a mano. Conserva el escaneo como referencia y escribe esas partes tú mismo.
Escanea para que el OCR lea mejor
La calidad del reconocimiento depende de la imagen. La guía de Tesseract para mejorar la calidad del OCR enumera lo que hace que una imagen sea difícil de leer y, a la hora de escanear, todo se reduce a cinco cosas:
- Escanea a 300 dpi o más. Según la guía, el reconocimiento funciona mejor con una resolución de al menos 300 dpi.
- Coloca la página recta sobre el cristal. Si está inclinada, cuesta mucho más distinguir las líneas de texto.
- Procura que la luz sea uniforme, sobre todo si fotografías las páginas con el teléfono. Las sombras y un fondo con zonas más oscuras hacen más difícil distinguir el texto del papel.
- Cierra la tapa del escáner o recorta los bordes. Los bordes oscuros alrededor de una página escaneada pueden leerse como caracteres de más.
- Usa la copia más limpia que tengas. Las motas y otros tipos de ruido reducen la precisión.
Guarda cada documento en su propio PDF. MD Factory crea un archivo Markdown por PDF, así que un montón de papeles sin relación entre sí escaneados en un solo archivo se convierte en una única nota larga.
Documentos de identidad, contratos e historiales médicos
Los escaneos suelen ser personales: pasaportes, contratos, extractos bancarios, historiales médicos. MD Factory los reconoce en tu PC y no sube ni el PDF ni el texto reconocido.
El archivo Markdown se guarda junto al escaneo. El texto que estaba encerrado en una imagen ahora es texto plano que cualquiera con acceso a la carpeta puede leer y buscar. Si esa carpeta se sincroniza con OneDrive u otro servicio en la nube, el archivo Markdown también se sincroniza. Nuestra guía para convertir documentos sin subirlos a internet muestra cómo comprobar dónde se guarda una carpeta.
En los documentos legales, médicos y financieros, el escaneo sigue siendo el original. Trata el Markdown como una copia de trabajo y comprueba cada número con el escaneo antes de tomar decisiones basadas en él. Borra el archivo Markdown y su carpeta de imágenes cuando ya no los necesites.