Cómo digitalizar documentos antiguos con OCR y crear PDFs buscables

Antes de escanear, la preparación del documento es fundamental, especialmente si está en mal estado. Nunca fuerces un documento frágil: si está enrollado, humedece ligeramente el ambiente y déjalo reposar para que se aplane gradualmente. Para hojas que se rompen con facilidad, escanea sobre una superficie negra (facilita la detección de bordes) sin presionar el cristal del escáner. Los libros y cuadernos encuadernados no deben abrirse forzosamente más allá de lo que permiten sin resistencia. Los escáneres de libro (de cuna en V) son la opción ideal para libros frágiles que no deben aplanarse. Para documentos muy frágiles, la fotografía con cámara réflex es más segura que el contacto con el cristal del escáner.

1. 1Si el documento está doblado o enrollado, deja que se aplane gradualmente en ambiente húmedo sin forzarlo.
2. 2Limpia suavemente el documento de polvo con un pincel de pelo suave antes de escanear.
3. 3Usa una superficie oscura detrás del documento (o debajo si es transparente) para mejorar la detección de bordes.

Para documentos históricos, la configuración del escáner debe priorizar la captura completa de información sobre la conveniencia de archivos pequeños. Escanea siempre a un mínimo de 400 DPI para documentos de texto histórico; para imágenes, grabados o documentos con detalles finos, usa 600 DPI o más. El espacio de color es una decisión importante: para documentos de texto en tinta negra sobre papel envejecido, el modo escala de grises captura toda la información relevante y genera archivos más manejables. Para documentos con color (mapas iluminados, documentos con sellos de color, manuscritos con tinta de múltiples colores), escanea en color a 24 bits mínimo. El modo de color también captura el tono real del papel (amarillo, sepia) que puede tener valor histórico. Guarda siempre el escaneo original en un formato sin pérdida (TIFF) como archivo maestro, independientemente del formato que uses para distribución.

1. 1Configura el escáner a 400-600 DPI dependiendo del detalle del documento.
2. 2Elige escala de grises para documentos de tinta negra o color para documentos con múltiples tintas o sellos de color.
3. 3Guarda el escaneo original como TIFF sin compresión como archivo maestro antes de cualquier procesamiento.

Los documentos antiguos frecuentemente necesitan mejoras de imagen antes del OCR o del archivo digital. El amarillamiento del papel puede corregirse ajustando los niveles de color para neutralizar el tono cálido: aumenta el canal azul y reduce el rojo para conseguir un papel más blanco visualmente. Las manchas de humedad o tinta derramada son más difíciles de tratar digitalmente; la clonación de textura circundante en un editor de imagen puede suavizarlas. Para texto desvaído con bajo contraste, aumentar el contraste global y aplicar nitidez (unsharp mask) puede hacer el texto más legible sin alterar el contenido. Herramientas como ScanTailor, GIMP o Photoshop Elements permiten aplicar estas correcciones de forma controlada. Para archivos históricos institucionales, hay herramientas especializadas como Unpaper (código abierto) diseñadas específicamente para limpiar escaneos de documentos.

1. 1Abre el escaneo en GIMP (gratuito) y aplica Colores → Niveles para ajustar el balance y clarear el fondo amarillento.
2. 2Aplica Filtros → Mejorar → Eliminar ruido para reducir el grano de papel envejecido.
3. 3Usa Colores → Brillo y Contraste para aumentar el contraste del texto sin sobreexponer el fondo.

Los documentos históricos con texto impreso (libros, periódicos, documentos tipografiados) pueden procesarse con motores OCR estándar como Tesseract, aunque las fuentes tipográficas antiguas pueden reducir la precisión. Los tipos de letra del siglo XIX y principios del XX incluyen la 's' larga (que se parece a 'f'), ligaturas especiales y caracteres que no existen en las fuentes modernas. Tesseract tiene modelos para varios idiomas históricos que mejoran el reconocimiento de estas tipografías. Para documentos en español del siglo XIX, configurar Tesseract con el modelo 'spa' y la configuración osd (detección de orientación y script) mejora los resultados. La precisión esperada para texto impreso histórico bien conservado está entre 90-97%; para texto deteriorado o tipografías muy antiguas, puede bajar al 75-85%, requiriendo revisión manual.

El formato final recomendado para preservación a largo plazo de documentos históricos es PDF/A (PDF for Archiving), un subconjunto del estándar PDF diseñado específicamente para archivos de larga duración. PDF/A garantiza que el documento puede abrirse correctamente en el futuro independientemente de los software disponibles entonces. Incluye la imagen del escaneo, la capa de texto OCR para búsqueda, y los metadatos del documento (fecha, origen, descripción). Los metadatos Dublin Core son el estándar para documentos de archivo: creator, date, description, format, identifier, language, subject, title. Añadir metadatos correctos hace el documento recuperable en repositorios digitales y facilita la gestión de colecciones. Herramientas como Tesseract + Ghostscript en combinación pueden generar PDF/A con capa OCR directamente desde la línea de comandos.