Extraer datos de un PDF escaneado de mala calidad: dónde está el límite del OCR

Antes de pasar un escaneo malo por ningún OCR, mídelo. Una página A4 escaneada a 300 DPI ocupa unos 2.480 × 3.507 píxeles. A 150 DPI, unos 1.240 × 1.754. La propia guía de AWS para Textract pide una imagen de calidad, idealmente de al menos 150 DPI. Por debajo de esa línea ya no estás haciendo OCR: estás apostando. La versión de tres segundos: abre el PDF, pon el zoom al 100% y trata de leer los céntimos del total. Si tú no puedes, el modelo tampoco.

Lo segundo que conviene saber antes de empezar es que el modo de fallo ha cambiado. El OCR clásico devolvía basura evidente: `F4CTUR4 N¤`. La extracción con IA devuelve un número de factura limpio, verosímil y que sencillamente no está en la página. El benchmark KIE-HVQA, construido con DNIs, tickets y facturas degradados con desenfoque de movimiento y bajo contraste, concluye que los modelos multimodales "no perciben la degradación visual, lo que provoca alucinaciones"; el modelo de 7B ajustado por los autores ganó 22 puntos porcentuales de precisión sin alucinaciones frente a GPT-4o en ese conjunto. Otro trabajo sobre entradas degradadas lo describe igual: texto "fluido pero incorrecto, sin señalar incertidumbre". Así que la pregunta útil no es *qué OCR aguanta mejor los escaneos malos*, sino *este archivo está por encima o por debajo de la línea, y qué campos reviso a mano*.

La comprobación de 30 segundos

Hazla antes de subir nada. No cuesta nada y te ahorra el viaje de ida y vuelta.

1. ¿Hay capa de texto? Pulsa Ctrl+F y busca una palabra que veas en pantalla. Si la encuentra, el PDF es digital, no escaneado: no necesita OCR, y cualquier herramienta que lo vuelva a pasar por OCR está empeorando tus datos.

2. Mira el tamaño en píxeles. Exporta una página como imagen o consulta las dimensiones en las propiedades del documento. Un A4 mide 21 × 29,7 cm (8,27 × 11,69 pulgadas), así que:

300 DPI → ~2.480 × 3.507 px (cómodo)
200 DPI → ~1.654 × 2.339 px (aceptable si la impresión es limpia y de 10pt o más)
150 DPI → ~1.240 × 1.754 px (el suelo)
por debajo → habrá errores de carácter que no vas a ver

3. La prueba del carácter más pequeño. Al 100% de zoom, busca lo más pequeño que realmente necesitas: los céntimos, el CIF, el código de referencia del pie. Que tú lo leas al 100% es el mejor indicador práctico de que el motor también lo leerá.

4. Geometría. ¿Salen las cuatro esquinas de la hoja? ¿El texto está recto y no girado? La extracción de tablas asume texto recto: una foto torcida convierte una tabla limpia en filas entremezcladas.

5. Contraste. Tickets térmicos desvaídos, fotocopias de tercera generación y faxes gris sobre gris fallan por un motivo que la resolución no arregla: los caracteres no se separan del fondo a ningún zoom.

Por qué siempre aparece la cifra de 300 DPI

300 DPI es la referencia estándar en las guías de digitalización de bibliotecas y la misma que dan los fabricantes de escáneres, con un matiz: por debajo de 10pt conviene subir a 400 DPI. Ir a 600 DPI aporta muy poco en impresión normal y cuadruplica el peso del archivo. El objetivo práctico es 300 DPI, escala de grises, escáner plano para todo aquello de lo que vayas a sacar datos estructurados.

Fíjate en la distancia entre las dos cifras del artículo: 150 DPI es el suelo *del motor*; 300 DPI es el objetivo *de calidad*. Los archivos que quedan en medio suelen funcionar, pero concentran los errores justo donde duele: en los dígitos pequeños.

La trampa que casi nadie menciona: la compresión de WhatsApp

Si tus documentos llegan desde un móvil, comprueba esto lo primero. WhatsApp reduce las imágenes enviadas desde el selector de fotos a unos 1.600 píxeles en el lado largo y las comprime con fuerza. Haz la cuenta sobre un A4: 1.600 px ÷ 11,69 pulgadas ≈ 137 DPI, por debajo del suelo de 150 antes incluso de que el JPEG empiece a comerse los bordes de los caracteres.

El arreglo es gratis y es un toque: envía el archivo como documento (clip → Documento), no como foto. Los archivos enviados como documento no se redimensionan ni se recomprimen. Mismo móvil, misma foto, misma hoja, y de pronto los dígitos pequeños sobreviven. Si canalizas facturas de proveedor o DNIs por WhatsApp, este único cambio de hábito suele valer más que cambiar de motor de OCR.

Qué arregla de verdad un escaneo malo, por orden de esfuerzo

Baja por la lista y párate en el primer paso que funcione. La mayoría salta directamente al 6, que es el caro y casi nunca es la respuesta.

Pide el original. El proveedor casi siempre tiene el PDF digital. Diez segundos pidiéndolo valen más que una hora de OCR forense. Además elimina el paso de OCR: un PDF digital puede ir directo a datos estructurados, como se explica en Cómo convertir PDF a Excel automáticamente con la IA de WhappScan.
Reescanea a 300 DPI en escala de grises con escáner plano. Ni color (más peso, cero precisión extra) ni blanco y negro puro (destruye los trazos débiles).
Si tiene que ser foto de móvil: superficie plana, luz natural, sin flash, las cuatro esquinas visibles y la cámara paralela al papel. El flash sobre una factura satinada crea un reflejo quemado justo donde suele estar el total.
Envíalo sin comprimir, como documento, según el apartado anterior.
Preprocesa: enderezar, recortar a la hoja, subir contraste. Merece la pena para un lote de cien escaneos malos iguales; no para uno suelto.
Solo entonces cambia de herramienta. Y si lo haces, entiende qué estás cambiando: el OCR de plantilla por coordenadas se rompe en cuanto un escaneo degradado desplaza el diseño unos milímetros, que es un problema distinto de la precisión de carácter — lo cuenta Por qué se rompen las plantillas de OCR por proveedor y Precisión del OCR en 2026.

El criterio para dejar de insistir

Usa tus números, no los de un benchmark. Toma el coste por minuto totalmente cargado de la persona que hace el trabajo (salario más costes de empresa, dividido entre minutos trabajados) y mide dos cosas sobre una muestra de diez documentos:

A = minutos en teclear el documento a mano, de principio a fin
B = minutos en revisar y corregir la salida extraída

Si B supera aproximadamente el 60% de A, automatizar *esa clase de documento* no se está pagando sola, y la solución está aguas arriba: arregla el escaneo o arregla cómo llega el documento. Si B es menos de un tercio de A, sigue adelante y dedica el tiempo ahorrado a la verificación del apartado siguiente.

El criterio importa porque los escaneos malos no fallan de forma uniforme. Un lote con un 90% de archivos limpios y un 10% de fotocopias de fax hay que separarlo, no promediarlo: automatiza el 90%, manda el 10% a una cola humana y deja de mirar la media, que esconde las dos realidades.

Campos que nunca deberías dar por buenos en un escaneo degradado

Con un escaneo bueno basta con muestrear. Por debajo de 200 DPI, revisa estos siempre: son aquellos en los que un solo carácter mal leído es a la vez invisible y caro.

Importes y céntimos. `1` frente a `7`, `3` frente a `8`, `5` frente a `6`, y el separador decimal mal leído.
NIF, CIF, números de IVA, IBAN. Carácter a carácter, sin contexto que permita autocorregir.
Fechas. Un mes mal leído mete la factura en el trimestre equivocado sin hacer ruido.
Cantidades y precios unitarios de las líneas, casi siempre la letra más pequeña.
Números de documento de identidad y líneas MRZ, donde un dígito rompe todo el registro posterior.

La defensa barata es aritmética, no leer con lupa. Casi todos esos campos se validan solos: base + IVA − IRPF debe cuadrar con el total; el NIF/NIE, el IBAN y el número de IVA intracomunitario llevan dígito de control; las líneas deben sumar el subtotal. Automatiza esas tres comprobaciones y un número alucinado se delata solo, sin que nadie relea la página. Es el término medio práctico entre fiarte a ciegas y reteclearlo todo, que se desarrolla en Validación humana frente a IA en la extracción de datos.

En corto

Un PDF escaneado malo no es un problema, son tres: pocos píxeles, poco contraste y mala geometría. Solo el primero se puede medir de antemano, y es el que decide si los otros dos importan. Mídelo antes de gastar dinero, arréglalo en origen cuando puedas y deja que los dígitos de control —no la vista cansada— cacen lo que se cuele.

Si quieres ver dónde cae uno de tus archivos, lo más rápido es probarlo: sube una factura, un DNI o un ticket y mira qué devuelve, campo a campo, en unos segundos. Prueba el extractor gratis, sin registro.