Reconocimiento de texto OCR de imágenes y PDF

El texto impreso limpio se reconoce casi a la perfección; las fotos de móvil y los escaneos desvaídos son más difíciles. El procesado automático corrige la inclinación, endereza las fotos giradas y aplica binarización adaptativa a las fotos con sombras, y las palabras de baja confianza quedan resaltadas para que puedas corregirlas antes de exportar.

Los más de 100 idiomas del conjunto tessdata de Tesseract 4: inglés, español, francés, alemán, ruso, chino (simplificado y tradicional), japonés, coreano, árabe, hindi, bengalí, tailandés, vietnamita, turco, polaco y muchos más. Los idiomas se agrupan por escritura en el desplegable; los modelos se cargan en el primer uso y se almacenan en caché en tu navegador.

Sí. Los PDF de varias páginas se renderizan página a página con pdf.js y luego pasan por OCR. También puedes exportar el resultado de vuelta como un PDF buscable con capa de texto invisible, así Ctrl+F funciona y los lectores de pantalla pueden leerlo.

Parcialmente. El motor subyacente está afinado para texto impreso; la escritura a mano legible con letras separadas suele ser reconocible, la cursiva no. Si la precisión con escritura a mano es crítica, recomendamos un servicio OCR específico para manuscritos.

Tras el OCR agrupamos las palabras reconocidas por su posición vertical en filas y dividimos las filas en columnas según los huecos horizontales. Cuando al menos tres filas comparten el mismo número de columnas las tratamos como una tabla y la exportamos como filas y columnas en Excel; en caso contrario, el archivo Excel tendrá una sola columna de texto.

Hasta 50 archivos por lote; el tope de tamaño por archivo se adapta a tu dispositivo (desde unos 80 MB en móviles hasta 1 GB en ordenadores de escritorio). Los PDF se procesan página a página, así que los documentos largos no agotan la memoria, y a partir de 150 páginas un selector de rango te permite reconocer exactamente las páginas que necesitas.