Digitalizar un archivo en papel
Objetivo
Convertir cajas de papel escaneado en un archivo con texto buscable: páginas limpias, una capa de texto, propiedades documentadas, una forma de hacer preguntas sobre todos los documentos y, si tu archivo lo exige, una versión PDF/A con un informe verificado.
Una oficina cierra y 200 archivos escaneados van al almacén. Alguien debe poder encontrar «el contrato de proveedor de 2019» sin abrirlos todos.
Punto de partida
- PDF escaneados (uno por documento), sin contraseña.
- Conoces el idioma de cada documento.
- Una decisión sobre el objetivo: con texto buscable (el núcleo de esta receta) y/o PDF/A (última fase opcional).
Cadena
Rotación → Deskew → Searchable → Compresión → Extraer metadatos → (Converter → Validador de PDF/A) → PDF KB
derechas niveladas capa de texto reducir inventario norma de archivo (opcional) preguntar sobre todos
Paso a paso
1. Rotación y Deskew
Corrige las páginas de lado con Rotación PDF (Páginas seleccionadas) y luego ejecuta Deskew sobre el archivo. Endereza inclinaciones pequeñas, pero su resultado son imágenes de página y no conserva el texto. Por qué primero: la calidad del reconocimiento depende de ello.
2. Searchable (PDF buscable)
Define el idioma de los documentos, deja activada la opción Corregir la inclinación de la imagen, marca Eliminar fondo/marca de agua si el papel está manchado, mantén el Formato de salida en PDF buscable y pulsa Transformar. Si te pide dividir un archivo muy largo, usa División de PDF. Consulta PDF buscable.
3. Compresión de PDF (Compressor)
Medio es la elección habitual; usa Bajo para los documentos que se van a imprimir. Por qué antes de archivar: la capa de texto aumentó el archivo. Consulta Compresión de PDF.
4. Extraer metadatos (Extract Metadata)
Sube los archivos; lee el panel o el CSV (extracted_metadata.csv) para ver título, autor, fecha de creación y productor. Úsalo como inventario. La aplicación solo lee; si los campos de autor son erróneos, el libro no puede editarlos. Consulta Extraer metadatos.
5. PDF/A Validator (validador de PDF/A), solo si un archivo exige PDF/A
Pulsa Validate PDF/A con Detect automatically (detección automática). Espera que un archivo producido por Searchable se informe como no válido: el Validador solo comprueba y nunca convierte. Para obtener un PDF/A, usa Conversor con un destino PDF/A y luego valida de nuevo. El camino completo se explica en Listo para archivar. Consulta PDF/A Validator.
6. PDF KB (base de conocimientos PDF)
Sube hasta 10 PDF con texto buscable (100 MB) por carga, crea una base de conocimientos y haz preguntas con citas de página. Consulta PDF Knowledge Base.
Por qué este orden
Da forma a las páginas, luego léelas, después redúcelas, y por último descríbelas y compruébalas. El inventario y la comprobación PDF/A describen el archivo que de verdad vas a guardar, así que van después de todo lo que lo reescriba. PDF KB es una comodidad sobre el texto terminado y no altera tu archivo.
Resultado esperado
PDF con texto buscable y de tamaño razonable; un CSV de metadatos que los lista; versiones PDF/A opcionales con un informe limpio; y una base de conocimientos a la que puedes preguntar.
Comprueba que ha funcionado
- Ctrl+F encuentra una palabra que ves en tres archivos al azar.
- Buscar en PDF un nombre conocido devuelve una copia marcada (si no hay resultado en un archivo que lo tiene, es un error de reconocimiento).
- El CSV tiene una línea por archivo y ningún fallo en el resumen.
- Veredicto y recuentos del Validador (si lo usaste); el informe JSON se guarda con el archivo.
- Los estados de PDF KB son «Hecho»; ninguno muestra «Sin texto (¿escaneado?)».
Variantes
- Extraer el texto en bloque: Extraer texto después de Searchable da un .txt por archivo más un archivo combinado.
- Conservar ambos archivos: guarda el PDF/A como original maestro y el PDF buscable para el uso diario.
- Archivo multilingüe: ejecuta Searchable por grupo de idioma.
- Repetirlo para cientos de archivos: consulta Repite la cadena todos los días.
Qué puede salir mal
- La retención de PDF KB es de aproximadamente un día: descarga el .zip de la wiki, porque al caducar se borra la base de conocimientos (reconstrúyela a partir de los PDF).
- Errores de reconocimiento en nombres y números: comprueba por muestreo; la corrección con IA también puede cambiar palabras.
- PDF/A «no válido» tras Searchable: es normal; convierte y vuelve a validar.
- El Validador no puede arreglar nada: informa de cláusula, página y objeto, y nada más.
- Estas aplicaciones no archivan los originales escaneados; consérvalos.