Cómo pasar un PDF escaneado a la Kindle (OCR)

Muchos apuntes y libros viejos circulan como fotocopias escaneadas. En la computadora se ven bien, pero para la Kindle son lo peor: no son texto, son fotos de las hojas. Ningún conversor puede agrandar la letra de una foto; primero hay que leerla.

Cómo saber si tu PDF es un escaneo

Abrilo en la compu y tratá de seleccionar una palabra con el mouse. Si se pinta solo la palabra, el PDF tiene texto. Si se pinta la hoja entera como un rectángulo, o no se pinta nada, es una imagen: un escaneo. Otra pista: si buscás una palabra con Ctrl+F y no la encuentra aunque la estás viendo, es un escaneo.

Qué es el OCR

OCR (reconocimiento óptico de caracteres) es leer las letras de una imagen y convertirlas en texto, como hace una persona al mirar la hoja. El motor de OCR libre más usado es Tesseract, que lee castellano con muy buena precisión cuando la fotocopia es razonable.

El OCR solo da texto suelto. Después hace falta lo mismo que con cualquier PDF: armar los párrafos, reconocer los títulos y el índice, y dejar los gráficos como imagen.

Lo que puede salir mal

• Palabras mal leídas: una mancha o una letra borrosa puede convertir "electrón" en "lectrón". Por eso, después del OCR conviene una corrección que mire cada palabra desconocida en su oración.
• Fórmulas: el OCR no entiende una fórmula; la convierte en letras sin sentido. Lo correcto es detectarla y dejarla como imagen.
• Gráficos y fotos: lo mismo, se recortan como imagen.
• Hojas torcidas o con sombra del lomo: bajan la precisión. Si podés, escaneá con la hoja derecha y buena luz.

Cómo lo hace Legible

Cuando soltás un PDF, Legible se fija página por página si hay texto o si es una imagen. Las escaneadas pasan por OCR en castellano; los gráficos y las fórmulas se recortan como imagen nítida; y las palabras que no están en el diccionario se revisan en su contexto antes de corregirlas. Funciona también con PDF mezclados, con algunas hojas escaneadas y otras no.

Antes de bajarlo, ves el libro terminado en una Kindle dibujada. Si una fórmula de un escaneo quedó rara, lo vas a ver ahí.

Si preferís hacerlo a mano

Hay programas que agregan una capa de texto a un escaneo (por ejemplo, la función "Reconocer texto" de algunos lectores de PDF). Después de eso, el PDF ya tiene texto y lo podés convertir como cualquier otro, siguiendo esta guía. Tené en cuenta que esa capa de texto conserva los renglones de la hoja, así que igual hace falta un convertidor que arme los párrafos.