Convierte una carpeta de PDF escaneados en documentos buscables con OCRmyPDF

Tienes 40 actas escaneadas y necesitas encontrar en cuál aparece un número de expediente. Abres un PDF, pulsas Ctrl + F y el visor devuelve cero resultados, aunque puedes leer el número en la página. El archivo contiene una imagen del papel. Con OCRmyPDF puedes añadir una capa de texto buscable a una copia de cada PDF, con procesamiento local y reconocimiento en español.

Requisitos

Windows 11 con Ubuntu en WSL. Si aún no lo tienes, ejecuta wsl --install -d Ubuntu en PowerShell como administrador, reinicia y abre Ubuntu para completar la configuración.
Una carpeta C:\OCR\entrada con copias de los PDF que vas a procesar.
Espacio para los archivos de salida. Los comandos siguientes se ejecutan en Ubuntu, que ve la unidad C: como /mnt/c.

1. Instala las herramientas y comprueba el idioma

sudo apt update
sudo apt install ocrmypdf tesseract-ocr-spa poppler-utils
tesseract --list-langs

Comprueba que en la lista aparezca spa. OCRmyPDF añade la capa de texto, Tesseract reconoce los caracteres y pdftotext permite comprobar qué texto quedó disponible para copiar o buscar.

2. Prueba con un PDF representativo

Renombra una copia a muestra.pdf. Elige un documento que tenga acentos, números y al menos una página con texto pequeño.

cd /mnt/c/OCR
mkdir -p salida
ocrmypdf -l spa --output-type pdf --skip-text --rotate-pages --deskew \
  "entrada/muestra.pdf" "salida/muestra.pdf"

--skip-text omite el OCR en páginas donde ya se detecta texto. --rotate-pages corrige páginas giradas y --deskew endereza inclinaciones leves.

3. Comprueba que puedes recuperar el dato que te interesa

Abre salida/muestra.pdf en tu visor y busca con Ctrl + F una palabra que puedas leer en el escaneo. También puedes extraer el texto de la primera página para revisar qué reconoció el OCR.

pdftotext -f 1 -l 1 -layout "salida/muestra.pdf" -

En un expediente, compara el número exacto con la imagen original. Una página puede ser buscable y aun así confundir un cero con la letra O. Para facturas, verifica también los importes y las fechas.

4. Procesa el resto de la carpeta

Ejecuta este bloque desde /mnt/c/OCR. Las comillas permiten nombres con espacios y el bucle omite las salidas que ya existen.

shopt -s nullglob nocaseglob
for pdf in entrada/*.pdf; do
  destino="salida/${pdf##*/}"
  [[ -e "$destino" ]] && continue

  if ! ocrmypdf -l spa --output-type pdf --skip-text --rotate-pages --deskew \
    "$pdf" "$destino"; then
    printf 'Revisar: %s\n' "$pdf" >&2
  fi
done

El lote continúa si un archivo falla. Al terminar, revisa los mensajes Revisar: y comprueba que cada PDF de entrada tenga su correspondiente copia en salida.

Errores comunes y soluciones

Falta el idioma spa. Instala tesseract-ocr-spa y vuelve a comprobar la lista de idiomas.
Una página tiene un encabezado buscable, pero el cuerpo sigue siendo una imagen. --skip-text actúa por página. Prueba --redo-ocr en una copia de ese archivo, en lugar de --skip-text, y omite --deskew en esa prueba.
El PDF tiene firma digital. Conserva la versión firmada. OCRmyPDF rechaza estos archivos de forma predeterminada porque modificarlos invalida su firma.
Las cifras salen mal. Si tienes el papel, vuelve a escanear una página de prueba a 300 ppp y compara la lectura antes de repetir el lote.

Buenas prácticas

Conserva los escaneos originales y trata las salidas como copias de consulta. Si corriges un PDF, guarda el resultado con un nombre distinto para poder comparar ambas versiones.
Para documentos en español e inglés, instala ambos paquetes de idioma y usa -l spa+eng. Prueba primero con una página bilingüe.

Documentación: Instalar WSL · Guía de OCRmyPDF · Manual de pdftotext

Idea clave

La prueba de un buen OCR es que puedas encontrar y copiar el dato que necesitas, y que ese dato coincida con el escaneo. Valida una muestra antes de procesar toda la carpeta.