Digitalizar con OCR y preservar la estructura

OCR —reconocimiento óptico de caracteres— convierte contenido visual en texto legible por máquina. En automatización documental, sin embargo, recuperar las palabras suele ser solo el primer nivel. Un sistema puede necesitar saber en qué página aparece un valor, a qué etiqueta corresponde, qué celdas forman una tabla o qué orden de lectura conserva el significado.

Los servicios actuales de análisis documental ilustran esa diferencia. Azure Document Intelligence documenta extracción de texto, tablas, marcas de selección y otros elementos de layout; Google Document AI ofrece OCR junto con información de estructura y capacidades de procesamiento documental. Las capacidades exactas, formatos soportados y límites cambian con el producto y su versión, por lo que deben verificarse antes de diseñar una dependencia concreta.

Detecta el tipo de entrada antes de aplicar OCR

Un PDF puede contener texto digital, páginas escaneadas o una mezcla. Si ya existe texto embebido fiable, rasterizarlo y volver a reconocerlo puede introducir errores innecesarios. Si la página es una imagen, entonces sí necesitas una etapa de OCR o análisis visual.

Clasifica inicialmente la entrada y comprueba:

• formato admitido;
• cifrado y permisos;
• corrupción del archivo;
• número y dimensiones de páginas;
• orientación;
• resolución y compresión;
• recorte;
• desenfoque;
• contraste;
• presencia de texto digital;
• páginas vacías o incompletas.

Un fallo de entrada no debe convertirse en «documento sin datos». Devuelve un estado técnico explícito para distinguir ilegible, formato_no_soportado, cifrado_sin_acceso o procesamiento_parcial de un documento válido que simplemente no contiene un campo.

Conserva una representación localizable

Para cada página conserva, cuando el caso lo necesite:

• texto;
• palabras o spans;
• coordenadas;
• orden de lectura;
• párrafos y encabezados;
• tablas, filas y celdas;
• marcas de selección;
• señales de escritura manuscrita si la herramienta las ofrece;
• advertencias de calidad;
• referencia al archivo y página original.

No todos los casos necesitan todo el layout. Una clasificación por texto puede funcionar con una representación mucho más simple. Una factura con tablas, en cambio, puede requerir coordenadas y relaciones entre celdas. Conserva únicamente la estructura que tenga una función posterior.

Preprocesa sin destruir la evidencia

Rotar, enderezar, corregir perspectiva o mejorar contraste puede aumentar legibilidad en ciertos segmentos, pero toda transformación debe ser evaluada. Un filtro que ayuda a texto impreso puede borrar trazos finos, sellos o anotaciones.

Conserva siempre el original recibido y registra qué derivado se utilizó para procesar. No sustituyas el documento fuente por una imagen «limpiada». Si existe una disputa o una revisión posterior, necesitas localizar el resultado sobre la evidencia original.

Evita también el preprocesado indiscriminado. Aplica transformaciones solo cuando una condición las justifique y mide su efecto con la misma muestra.

Evalúa estructura, no solo caracteres

Una métrica de caracteres puede ser útil para OCR puro, pero la métrica operacional depende del uso. Si necesitas registrar un total, el problema no es cuántas letras del pie de página se reconocieron, sino si el importe correcto se localizó y se asoció con la etiqueta adecuada.

Mide, según el caso:

• legibilidad de campos críticos;
• páginas procesadas por completo;
• detección de páginas ilegibles;
• orden de lectura;
• asociación etiqueta–valor;
• filas, columnas y celdas de tabla;
• coordenadas de evidencia;
• errores por tipo de entrada;
• latencia y coste por documento.

Una misma salida de OCR puede ser suficiente para clasificar y no para extraer una tabla. Declara para qué etapa consideras que la lectura es apta.

Trata resultados parciales como parciales

Si un documento de veinte páginas falla en dos, no marques el conjunto como correctamente digitalizado. Conserva el detalle de las páginas y decide qué etapas pueden continuar.

Los errores transitorios del servicio pueden reintentarse con política limitada e identidad de caso. Una entrada incompatible o corrupta no mejora repitiendo indefinidamente la misma petición. Clasificar el tipo de fallo evita colas eternas y costes inútiles.

Ejemplo: tabla de líneas de factura

El OCR reconoce todas las palabras de una tabla, pero intercambia la asociación de cantidad y precio porque el layout se perdió. Para lectura humana el texto parece correcto; para cálculo automático no lo es.

En este caso la prueba debe comprobar celdas, encabezados y relaciones de fila, no solo texto. Si el segmento de tablas no alcanza la calidad necesaria, puedes restringir el alcance, utilizar un extractor especializado o derivar esos documentos a revisión.

Ejercicio: especifica la capa de lectura

Define:

1. formatos y límites admitidos;
2. detección de texto digital e imagen;
3. controles de calidad;
4. transformaciones permitidas;
5. representación de salida por página;
6. estructura que debe preservarse;
7. tratamiento de tablas;
8. estados parciales y fallos;
9. política de reintento;
10. métricas por segmento;
11. conservación de original y derivados.

Resultado de la lección

La etapa de digitalización está lista cuando las capas posteriores pueden localizar la información en el original y el propio sistema sabe cuándo no ha leído con calidad suficiente. El siguiente paso ya no consiste en reconocer más texto, sino en separar y clasificar las unidades documentales que deben seguir rutas diferentes.