Logo de Think²Think²
Entrar

Guías

OCR o texto nativo: comprueba la referencia, no solo el texto

¿Tu PDF contiene texto recuperable o solo una imagen? Elegir la ruta de extracción evita trabajo innecesario, pero no sustituye la comprobación. En nuestro ensayo local una imagen limpia produjo texto legible y tres campos correctos, mientras la referencia cambió de OO10-I1 a 0010-I1. Un identificador parecido no identifica necesariamente el mismo documento.

Lista de espera; no garantiza acceso inmediato ni plan gratuito.

Situaciones para revisar

Un PDF de una página contiene cinco líneas de texto nativo.

En el PDF sintético nativo.pdf, PDF.js 4.10.38 devolvió cinco elementos con texto. Unimos sus cadenas con saltos de línea y comparamos con la referencia preparada antes de la extracción; normalizamos únicamente espacios y saltos de línea.

Las 81 posiciones de la referencia normalizada coincidieron y los cuatro campos de control conservaron su línea literal. Solo acredita ese documento y configuración; no mide tablas, columnas, lectura de documentos reales ni exactitud de negocio.

Otro PDF sintético contiene exclusivamente una imagen, sin una capa de texto.

Con la misma llamada de extracción obtuvimos cero elementos y una cadena vacía de solo-imagen.pdf. Para probar OCR usamos por separado las imágenes propias limpia.png y degradada.jpg. No pasamos un PDF directamente a Tesseract.js ni probamos un conversor o flujo PDF→OCR completo.

Este archivo devolvió cero elementos de texto mediante PDF.js getTextContent. Reconocer sus píxeles requiere una ruta separada. Un resultado vacío en cualquier otro archivo exigiría investigar permisos, contenido y herramienta: no demuestra por sí solo que todos los PDF similares carezcan de texto.

El OCR devuelve casi todo el texto esperado, pero altera un identificador.

Tesseract.js 6.0.1, modelo eng y segmentación de bloque único (PSM 6), leyó Reference: 0010-I1 en la imagen limpia y Reference: 0010-11 en la degradada. La referencia preparada era Reference: OO10-I1: comienza con dos letras O y termina con I mayúscula y uno.

En ambos casos coincidieron literalmente las líneas Currency: USD, Subtotal: 180.00 y Approval: PENDING, pero falló la referencia. No corrijas cambiando ceros por oes a ciegas: contrasta el documento o una fuente autorizada antes de asociar, actualizar o enviar.

Lista de espera; no garantiza acceso inmediato ni plan gratuito.

Cómo evaluar el trabajo

  1. Fija una muestra autorizada y mínima, una transcripción de referencia revisada antes de probar y los campos críticos. Conserva originales y versiones. Elige inicialmente extracción para texto recuperable y OCR para píxeles que lo necesiten; en documentos mixtos decide por página o región, sin asumir que copiar una palabra acredita todas las páginas.
  2. Resultados del ensayo local del 16 de noviembre de 2026, no de clientes: PDF nativo, distancia de edición 0/81 y cuatro de cuatro líneas de campo exactas; PDF solo imagen, extracción vacía, 81/81 y cero de cuatro; PNG limpio, OCR 2/81 y tres de cuatro; JPEG degradado, OCR 3/81 y tres de cuatro. Las tasas de error de caracteres de esas dos salidas OCR son 2,47% y 3,70%. El denominador es el texto normalizado completo de 81 caracteres, no el número de campos ni una estimación de precisión general. No se agregan los cuatro ensayos en una puntuación.
  3. Cómo reproducir: crea cinco líneas ficticias con TEST DOCUMENT; Reference: OO10-I1; Currency: USD; Subtotal: 180.00; Approval: PENDING. El generador adjunto crea un PDF nativo y otro con imagen, más PNG de 1800×900; genera una variante reducida a 450×225, girada 2° y guardada como JPEG calidad 35. El script ejecuta las dos extracciones PDF y los dos OCR sobre imágenes. Compara cadenas tras recortar extremos y colapsar espacios, manteniendo mayúsculas y puntuación; calcula distancia de Levenshtein/81 y cotejo literal de cuatro líneas. Los bytes, salidas, versiones y huellas están en la evidencia descargable. Las representaciones tienen distinta tipografía y maquetación: no es una competición controlada entre motores ni un ensayo de escaneos reales.
  4. Ficha para decidir: archivo/página/región; huella y versión; ruta y configuración; referencia de control; salida literal; campo discrepante; revisión; decisión; responsable. En Think² puedes organizar ese encargo con colaboradores, grupos y contexto, modelos compatibles y herramientas autorizadas; cada colaborador puede tener computador opcional. Este ensayo se ejecutó fuera de un flujo Think² y no acredita OCR integrado ni corrección autónoma. Si tu extractor actual ya resuelve el trabajo y la revisión, no necesitas añadir otra capa. Una propuesta de uso no demuestra fidelidad del texto. Contactar, actualizar registros o compartir documentos requiere la autorización explícita aplicable; esa autorización no demuestra exactitud de la extracción.

Descarga la evidencia

Preguntas frecuentes

¿Un PDF permite elegir entre OCR y texto nativo solo por su extensión?

No. Un PDF puede contener texto, imágenes o combinaciones. Nuestra llamada recuperó texto de un PDF construido con texto y nada del PDF construido solo con imagen. Comprueba el documento y las páginas relevantes; no extrapoles ese resultado a cualquier PDF.

¿Una confianza OCR alta demuestra que la referencia es correcta?

No. La salida de la imagen limpia devolvió confianza 93 y aun así cambió las dos oes de la referencia por ceros. Ese número del motor no se interpreta aquí como una probabilidad calibrada de exactitud del campo. Los identificadores requieren contraste literal y fuente.

¿Este ensayo demuestra que Think² lee facturas o que un motor es mejor?

No. Es una prueba local de cuatro combinaciones concretas, con una sola referencia ficticia en inglés y sin documentos de clientes, tiempos, costes, tablas, manuscritos ni integración Think². Subtotal 180.00 y Approval: PENDING son texto de prueba, no una factura, validación fiscal o permiso real. No acredita rendimiento de otros idiomas, versiones o configuraciones.

Fuentes y alcance

  • Tesseract.js README — OCR de imágenes y no soporte directo de PDF; no precisión garantizada ni lista de idiomas acreditada en esta consulta.
  • PDF.js PDFPageProxy — getTextContent devuelve contenido textual de página; detalles de items/str comprobados en ejecución local, no acreditados por el extracto documental.

Sigue explorando

Lista de espera; no garantiza acceso inmediato ni plan gratuito.