Tiny Online Tools
La capa que nadie puede ver
Cuando un escaneo pasa por un OCR, el reconocedor no sustituye la imagen. Deja el escaneo exactamente como estaba y escribe encima las palabras que reconoció en el modo de renderizado 3 de PDF: «ni relleno ni trazo». El texto está ahí, seleccionable y buscable, pero ningún visor pintará jamás un solo píxel de él.
Es un diseño sensato, y hace imposible juzgar la calidad del OCR. Una búsqueda que no devuelve nada te dice que falta la palabra; no te dice si el reconocedor leyó Recibido como Recíbído, ni si desplazó una columna entera una línea hacia arriba.
Qué te muestra esta herramienta
Cada palabra reconocida se vuelve a dibujar exactamente en la caja de la que salió, sobre el escaneo del que procede. Cuatro vistas:
- Solo cajas: contornos, para ver cobertura y alineación sin que el texto estorbe.
- Texto sobre la imagen: las palabras reconocidas dibujadas de forma semitransparente sobre el escaneo, con un control de opacidad. Donde el reconocimiento se desvió, la palabra dibujada se desliza visiblemente respecto a la escaneada.
- Solo texto: la capa sola sobre papel en blanco, que es en la práctica lo que recibe un lector de pantalla.
- Solo imagen: el escaneo tal cual, para comparar.
Cambia entre cajas de palabra, de línea y de bloque, busca dentro del texto reconocido y ve las coincidencias resaltadas en la página, y haz clic en cualquier caja para saltar a ella en la lista.
Juzgar la calidad
Por página obtienes el recuento de palabras y caracteres, cuánto del texto es realmente invisible, el tamaño medio de la caja de palabra y una cifra de cobertura: qué parte del área de la página ocupan las cajas del OCR. Un reconocedor que se rindió a media página se delata con una cobertura baja mucho antes de que notes las palabras que faltan.
Las palabras con una forma estadísticamente rara se marcan: sin vocales, letras mezcladas con dígitos, fragmentos de un solo carácter, rachas de símbolos, cajas muy desacompasadas con sus vecinas. Son sospechas, no errores.
Exportación
Texto plano, JSON con cada caja delimitadora y su fuente, o HTML estilo hOCR para herramientas posteriores. Las coordenadas son puntos PDF con el origen arriba a la izquierda.
Privacidad
No se sube nada. El PDF se analiza, se renderiza y se mide íntegramente dentro de tu navegador.