Necesitas sacar el texto de un PDF escaneado porque es un contrato en el que tienes que buscar, un archivo antiguo que quieres pasar a un LLM o una factura cuyos valores tienen que llegar a un sistema.
Si ya has pasado OCR por él y el resultado fue basura, te entendemos. No es culpa tuya y rara vez es solo cosa del motor de OCR. El OCR se diseñó para texto impreso derecho, nítido y con buen contraste, y un mal escaneo rompe esas suposiciones una a una: el texto es demasiado pequeño, está inclinado, tiene ruido, o la página tiene columnas o una tabla. La solución es averiguar qué suposición se ha roto y resolverla. Última evaluación: octubre de 2026.
La respuesta corta: comprueba que el archivo es realmente un escaneo, repara los problemas de imagen que puedas (resolución, giro, ruido), elige un motor que aguante el resto y, cuando el problema sea la estructura (tablas, columnas) o necesites campos fiables, deja de arreglar píxeles y usa un sistema agéntico de procesamiento de documentos.
Primero: ¿es de verdad un escaneo?
Si puedes seleccionar y copiar texto en el PDF, ya tiene capa de texto y no necesitas OCR: un parser lee esa capa directamente. Muchos "escaneos" resultan ser PDF en los que solo algunas páginas son imágenes, y por eso un archivo mixto puede parecer medio bien. Comprueba página por página antes de dedicar tiempo a reparar la imagen.
La lista: qué suele fallar y qué probar
Ejecutamos Tesseract, EasyOCR y PaddleOCR sobre las mismas imágenes sintéticas, cada una con un único problema, y puntuamos la salida como uno menos la distancia de edición respecto al texto real (1,0 es una copia perfecta). Son imágenes fáciles por construcción y no las preprocesamos, así que lee las puntuaciones como un mapa de dónde falla cada motor, no como un benchmark. La prueba está en Mejores librerías OCR de Python.
| Problema | Qué probar | Lo que vimos (Tesseract / EasyOCR / PaddleOCR) |
|---|---|---|
| Baja resolución | Reescanea a 300 DPI o más; amplía la imagen antes del OCR si no puedes reescanear | A 100 DPI: 0,995 / 0,979 / 0,989. A 50 DPI: 0,505 / 0,245 / 0,957 |
| Página inclinada | Endereza la imagen primero | Girada 15 grados: 0,000 / 0,223 / 1,000 |
| Página del revés o de lado | Detecta y corrige la orientación | Girada 90 grados: 0,165 / 0,096 / 0,106 para los tres. Tesseract detectó bien el giro, así que un paso de rotación lo arregla |
| Ruido y desenfoque | Limpia y enfoca antes del OCR, o elige un motor que lo aguante | Ruido y desenfoque fuertes: 0,000 / 0,202 / 0,851 |
| Bajo contraste | Suele ir bien; sube el contraste si el texto es tenue | 1,000 / 0,989 / 1,000 |
| Dos columnas | Divide la página en columnas antes del OCR | 0,489 para los tres: las palabras estaban completas, pero el orden de lectura era incorrecto |
| Tablas | Usa un parser que entienda el diseño; el OCR da texto, no estructura | Tabla pequeña leída como texto: 0,227 / 0,943 / 1,000, y ninguno devolvió estructura de tabla |
| Acentos y otros idiomas | Instala el archivo de idioma del idioma que lees | Tesseract solo con inglés sobre un párrafo en español: 0,967 en conjunto, pero con nueve palabras acentuadas perdidas; con el archivo de español, 0,993 y ninguna perdida |
| Escritura a mano | No esperes un OCR fiable; planifica una revisión humana | No probado: las fuentes que usamos solo lo parecen |
Dos cosas que ocultan los números. Primero, una palabra equivocada en un total importa más que cien palabras con un poco de ruido, así que puntúa los campos que te importan, no la página entera. Segundo, no probamos ningún preprocesamiento, que es justo lo que recomienda la propia documentación de Tesseract para entradas torcidas o de baja resolución. Enderezar y ampliar la imagen moverá varias de estas filas. La conclusión sencilla es que los motores se diferencian mucho ante una entrada mala sin tratar, y ninguno arregla el diseño de página. Mira también ¿Es Tesseract lo bastante preciso para producción?.
Cuándo arreglar la imagen deja de ser suficiente
El preprocesamiento rinde con la resolución, la inclinación y el ruido. No resuelve los problemas que no tienen que ver con los píxeles:
- Estructura. Las columnas, las tablas y los formularios necesitan un sistema que entienda el diseño de la página, no solo los caracteres.
- Campos, no texto. Si lo que quieres es un número de factura o un total, todavía tienes que localizarlo, tipificarlo y saber con qué seguridad se ha leído.
- Volumen y variedad. Un pipeline de enderezado, limpieza de ruido, paquetes de idioma y reglas por diseño se convierte en un proyecto que hay que mantener.
Ahí es donde empieza a importar la diferencia entre el OCR y el procesamiento inteligente de documentos; la explicamos en IDP vs OCR, y el coste de montarlo tú mismo en API de OCR vs código abierto.
La solución: un IDP agéntico con OCR
Un IDP agéntico reúne OCR, análisis de diseño y extracción en un solo flujo, y decide cuánto esfuerzo dedicar a cada documento. En anyformat el paso Parse tiene cuatro modos, y la documentación recomienda empezar en Standard y subir o bajar solo donde los resultados lo justifiquen:
| Modo | Qué hace | Para qué usarlo | Créditos por página |
|---|---|---|---|
| Flash | Lee la capa de texto del propio PDF, sin llamada a un modelo; aplica OCR a las páginas sin capa de texto | PDF nativos digitales en volumen | 7 |
| Fast | Una pasada de OCR con el motor más potente, sin corrección con LLM | Escaneos limpios y diseños sencillos | 12 |
| Standard | Parseo página a página con corrección del orden de lectura | La mayoría de los documentos y las tablas; el modo por defecto | 25 |
| Agentic | Parseo adaptativo en varios pasos, el más fuerte con tablas densas | Diseños complejos en los que Standard no basta | 100 |
Para un escaneo de mala calidad, empieza en Standard. Si una página sale mal, sube ese tipo de documento a Agentic; si un conjunto de escaneos es limpio, Fast basta. Cada valor extraído llega con una puntuación de confianza y con el texto y la página de los que se leyó, de modo que un revisor puede corregir los valores dudosos en segundos en lugar de volver a leer el escaneo. Fija un umbral de confianza y manda a una persona lo que quede por debajo. Si el siguiente paso son los campos, mira cómo extraer datos estructurados de un PDF con un LLM; si son las tablas, extraer tablas de un PDF; si es la recuperación de información, PDF a markdown para LLMs.
Pruébalo con tu peor escaneo: el plan Free incluye 50.000 créditos sin tarjeta de crédito, suficientes para pasar tus documentos más feos por cada modo y comparar.
Cómo comprobar el resultado
No juzgues el OCR con una página limpia. Coge 20 de tus peores páginas y:
- Anota el texto o los valores que esperas en cada una, y calcula la misma puntuación sobre tus archivos. La función de puntuación está en nuestro artículo sobre librerías OCR; da un número por página y nunca imprime el texto, así que es seguro registrarla en logs.
- Compara motores o modos sobre las mismas páginas, no sobre páginas distintas.
- Cuenta lo que una persona todavía tiene que corregir. El porcentaje de páginas que pasan sin intervención humana es la cifra que predice tu coste.
- Prueba con documentos ficticios o con consentimiento. Los escaneos suelen contener datos personales, y la salida del OCR acaba en los logs.
Cuánto cuesta
Los precios de anyformat se basan en créditos, por página y por operador. Un crédito cuesta 0,001 € en Business y 0,0015 € en Free y pago por uso, y las tarifas por página están en la documentación de créditos. Para un escaneo de 10 páginas, solo el Parse cuesta:
| Escaneo de 10 páginas, solo Parse | Créditos | Business (0,001 €) | Free / pago por uso (0,0015 €) |
|---|---|---|---|
| Fast | 120 | 0,12 € | 0,18 € |
| Standard | 250 | 0,25 € | 0,38 € |
| Agentic | 1.000 | 1,00 € | 1,50 € |
La extracción se factura aparte: 35 créditos por página en Standard y 150 en Agentic. Los motores de código abierto no tienen coste de licencia, pero sí de tiempo de ingeniería y, los más pesados, un entorno grande: en nuestra prueba, las instalaciones de EasyOCR y PaddleOCR rondaban los 800 MB cada una.
Límites, dichos con claridad
- La escritura a mano y las fotos de muy baja resolución siguen siendo el punto débil de cualquier enfoque. Planifica un paso de revisión.
- No hemos medido anyformat con las imágenes sintéticas de arriba, así que esta página no afirma nada sobre cómo puntúa con ellas. Prueba con tus propias páginas.
- El preprocesamiento no formó parte de nuestra prueba. Los resultados con tus archivos tras enderezar o ampliar la imagen serán distintos.
- La precisión depende de tus documentos. Antes de fiarte de la cifra de cualquier proveedor, la nuestra incluida, prueba con tus peores páginas.
Preguntas frecuentes
¿Por qué el OCR funciona mal con mi PDF escaneado?
Normalmente porque el escaneo rompe las suposiciones del OCR: baja resolución, una página inclinada o girada, ruido, bajo contraste o un diseño con columnas y tablas. Averigua cuál es tu caso y arregla eso primero.
¿Cómo mejoro la precisión del OCR en escaneos de mala calidad?
Reescanea a 300 DPI o más, endereza la imagen y corrige la orientación, limpia el ruido y el desenfoque, instala el idioma correcto y comprueba el resultado con un texto que conozcas. Además, los motores se diferencian mucho ante una entrada mala sin tratar.
¿Qué resolución necesito para el OCR?
Lo habitual es 300 DPI o más, y la documentación de Tesseract dice que funciona mejor ahí. En nuestra prueba, un motor puntuó 0,505 a 50 DPI y otro 0,957.
¿Puede el OCR leer escritura a mano?
No de forma fiable. La mayoría de los motores de OCR están pensados para texto impreso; planifica una revisión humana.
¿Necesito OCR si puedo seleccionar el texto?
No. Un PDF con capa de texto se puede leer directamente, y un parser es más rápido y barato que el OCR.
¿Qué motor es mejor para escaneos malos?
Depende del problema. En nuestra prueba sintética, PaddleOCR puntuó más alto con imágenes giradas, con ruido y de baja resolución sin preprocesar, y Tesseract fue el más ligero y rápido con texto limpio. Para tablas, columnas o campos, un motor no basta.
¿Cuándo debo usar una API en lugar de código abierto?
Cuando el problema es la estructura o los campos y no los píxeles, cuando el volumen hace que el coste de mantenimiento supere al de la licencia, o cuando necesitas puntuaciones de confianza y evidencia. Mira API de OCR vs código abierto.
Empieza con tus peores escaneos. Sube las páginas que rompen tu OCR actual, elige un modo de Parse y mira los valores con su confianza y su evidencia en la página. El plan Free incluye 50.000 créditos sin tarjeta de crédito.
Divulgación: anyformat vende extracción de documentos; la prueba de OCR usó imágenes sintéticas y se describe en nuestro artículo enlazado, y los criterios de comparación y las fechas se indican.
