Haz que un PDF escaneado se pueda buscar
No te da el texto: te devuelve tu PDF. Las mismas páginas y el mismo aspecto, con encima una capa de texto invisible alineada con las palabras, así Ctrl+F y copiar y pegar empiezan a funcionar. Todo en tu navegador.
Qué sale de aquí, y qué no
De aquí sale un archivo .pdf, no un archivo de texto. Las páginas son las mismas, el aspecto es el mismo, el peso crece poquísimo: lo que cambia es que sobre las fotografías se ha puesto una capa de texto invisible, alineada palabra por palabra. A partir de ahí el PDF se comporta como uno normal, Ctrl+F lo atraviesa, el texto se selecciona y se copia, y los programas que buscan dentro por fin encuentran algo.
Si en cambio lo que necesitas es el texto y nada más, para pegarlo en un correo o en un documento, la ficha correcta es otra y está en Extraer texto de una imagen. Y si no sabes cuál de los dos casos es el tuyo, la forma más rápida de averiguarlo es probar a abrir el archivo con Extraer el texto de un PDF.
Las páginas no se rehacen: se escribe encima
El camino cómodo sería convertir cada página en una imagen y recomponer un PDF nuevo. No es lo que pasa aquí, y es una decisión: el archivo engordaría, la calidad empeoraría en cada paso y el resultado sería lo que ya se consigue a mano poniendo en fila dos herramientas de este sitio. Los objetos originales de la página no se tocan, y al final solo se añade el texto.
La parte difícil no es reconocer las letras, es ponerlas en el sitio correcto. Entre los píxeles de la imagen y los puntos de la hoja están la escala del dibujo, la rotación de la página (los documentos pasados por el escáner están girados casi siempre) y el origen de la hoja, que no tiene por qué ser cero. Son las tres cuentas que hacen que una firma o un texto acaben en mitad de la nada, y aquí las hace la misma conversión que ya usa Escribe en un PDF.
La calidad se mide, no se promete
Al final te encuentras una línea por página con cuántas palabras se han escrito y cuánta seguridad tenía el reconocimiento. Está ahí porque el peor fallo, aquí, es entregar un archivo que parece que se puede buscar y no encuentra nada: quien archiva una factura se da cuenta seis meses después, cuando busca el número del contador y el ordenador le dice que no está.
Las palabras de las que el reconocimiento no está seguro no se escriben, y se cuentan. Mejor una palabra de menos que una palabra inventada dentro de un archivo. Cuando una página sale mal casi siempre es que la hoja está torcida o fotografiada de lado, y ahí se gana mucho más enderezándola con Endereza un documento fotografiado que cambiando cualquier ajuste.
Cuánto tarda, y lo que no hace
El reconocimiento funciona dentro de tu navegador, así que el tiempo depende de tu ordenador: una hoja cuesta unos segundos, y la estimación que ves mientras trabaja sale de las páginas ya hechas, no se promete de antemano. Puedes parar cuando quieras y quedarte con lo hecho. El techo es de sesenta páginas, dicho antes de empezar, y por encima se corta el documento con Dividir PDF y extraer páginas.
No reconoce la escritura a mano, no vuelve a poner las tablas en columnas y no abre los PDF protegidos con una contraseña, que hay que desbloquear antes con Quita la contraseña del PDF. Las páginas que ya tienen texto se dejan como están, si no cada búsqueda encontraría dos veces la misma palabra. Después, el archivo está listo para Busca una palabra dentro de muchos PDF y para Extrae las tablas de un PDF.