Extraer texto de imágenes y PDF escaneados

Sí. OCR — reconocimiento óptico de caracteres — es el nombre general de leer texto impreso a partir de una imagen, y es exactamente lo que ocurre aquí. La diferencia con la mayoría de webs de OCR está en dónde se ejecuta: el motor se descarga a tu navegador en lugar de subir tu archivo al servidor de alguien.

Con texto impreso limpio — capturas, buenos escaneos — es casi exacto. En nuestras propias pruebas, el texto impreso en inglés salió perfecto y el chino rondó el 98 %. Las fotos con iluminación desigual o algo de perspectiva quedaron en torno al 94–95 %. Conviene revisar el resultado por encima en lugar de fiarse a ciegas, sobre todo con los números.

No, y conviene decirlo claro. El motor está hecho para texto impreso y compuesto. El reconocimiento de escritura a mano es otro problema que necesita otros modelos, e intentarlo aquí solo te hará perder el tiempo.

No. El texto de dentro de la tabla se leerá, pero la estructura de filas y columnas no se conserva: obtienes las palabras, no una cuadrícula. El motor no detecta en absoluto la estructura de las tablas, así que no hay forma de exportar un Excel aprovechable.

No. El motor de reconocimiento se descarga a tu navegador y se ejecuta allí. Tus imágenes y PDF se leen directamente desde tu dispositivo y no se envían a ninguna parte. Por eso también sigue funcionando si se corta la conexión una vez cargada la página.

La primera vez, el navegador descarga el motor de reconocimiento y los datos del idioma: unos 6 MB en total. Después tu navegador los guarda en caché, las siguientes veces arranca al instante y cada imagen tarda bastante menos de un segundo.

El del texto de la imagen, no el de esta página. Si te equivocas, el resultado será un galimatías incluso con una imagen perfectamente nítida. Las opciones que no son inglés cargan también el inglés, de modo que los documentos mixtos con números de pedido y correos se leen correctamente.

Sí. Cada página se renderiza y se lee por turno, y los resultados aparecen página a página. Los documentos muy largos se limitan a las primeras 100 páginas, y se te avisa en lugar de dejarte con la duda.

Verás «No se ha encontrado texto» en lugar de un error, porque una imagen sin texto legible es un resultado normal. Suele significar que la imagen está borrosa, la letra es demasiado pequeña o el idioma elegido no es el correcto.

Porque no debería llevarlos. Los motores de reconocimiento tratan cada carácter chino como una palabra aparte y ponen espacios entre todos ellos, lo que deja un resultado incómodo. Aquí se eliminan, pero los espacios entre caracteres chinos y latinos se conservan, porque esos son reales.

Sí. Suelta tantas imágenes como quieras y se pondrán en cola, con los resultados apareciendo según terminan. Si un archivo falla los demás continúan, y puedes detenerlo en cualquier momento sin perder lo ya leído.