Detector de PDF Escaneado o Buscable

Por qué «¿este PDF tiene texto?» es la pregunta equivocada

Un PDF puede ser buscable en la página uno y una fotografía en la página dos. La comprobación habitual —extraer texto, encontrar algo y cantar victoria— se equivoca en ambos casos, y también en el más frecuente en la práctica: un escaneo que ya ha pasado por OCR, que es realmente buscable aunque cada píxel visible sea una imagen.

Este detector trabaja página a página y reúne seis señales independientes antes de decir nada:

• Texto extraído: cuántas palabras y caracteres devuelve realmente un extractor.
• Modos de renderizado del texto: los glifos dibujados en el modo 3 son invisibles. Así es exactamente como el software de OCR escribe las palabras reconocidas sobre un escaneo, y es la única forma fiable de distinguir un escaneo con OCR de una página digital nativa.
• Imágenes dibujadas: dónde cae cada imagen y qué fracción de la página cubre.
• DPI efectivo y profundidad de bits: una imagen de 1 bit comprimida con CCITT o JBIG2 es la salida de un escáner, no una fotografía ni un logotipo.
• Trazados vectoriales: una página maquetada por un procesador de textos casi siempre tiene filetes, bordes o líneas. Un escaneo puro no tiene ninguno.

Qué obtienes

Cada página se etiqueta como texto digital nativo, imagen escaneada, escaneo + capa OCR, mixta o vacía, con un nivel de confianza y —esto es lo importante— la lista de hechos que produjeron la etiqueta. Si no estás de acuerdo con un veredicto, puedes ver exactamente qué señal lo motivó.

El resumen del documento responde a la pregunta con la que llegaste: ¿es buscable de principio a fin y, si no, qué páginas necesitan OCR? Exporta el informe completo en CSV o JSON para tu flujo de archivo.

Límites

Nada dentro de un PDF declara «soy un escaneo», así que esto es inferencia. Una página cuyo texto se ha convertido en contornos no tiene objetos de texto y parece idéntica a un escaneo. Un escaneo con una capa OCR mala es técnicamente buscable pero inútil en la práctica. Ambos casos se informan con su evidencia en lugar de con una conjetura que suene segura.

Privacidad

El archivo nunca sale de tu ordenador. Todo —análisis, renderizado, miniaturas e informe— se ejecuta en tu navegador.