Gscan2pdf útil herramienta para extraer el texto de archivos pdf que han sido escaneados como imagen.

Publicado el 07 septiembre 2013 por Hugo Rep @HugoRep

Les presento una herramienta muy útil para Debian, se trata de gscan2pdf.

Este sencillo programa permite extraer el texto de archivos pdf que han sido escaneados como imagen, de manera similar que algunos ORC's de Windows.

Su instalación es muy sencilla, viene en los repositorios de los discos y se puede instalar desde Synaptic, o se puede descargar de la página principal gscan2pdf.sourceforge.net/ . Además se va a necesitar el respectivo paquete de idioma que en mi caso es tesseract-orc-spa.

Como viene con interfaz gráfica es bastante intuitivo, pero de todas formas ahí va una pequeña intro de como sacarle el texto a un pdf formado de imagenes o una imagen.

1.- Abrimos la ventana principal.

2.- Despues vamos al menú Archivo y elegimos Importar, seleccionamos el archivo y abrir.

3.- Aparecerá una pequeña ventana indicandonos que páginas queremos analizar. 

Esto es puede traer un poco de problemas porque algunos documentos e imagenes están formados por capas y cambia el orden de las páginas.

4.- Ahora se nos mostrará las imagenes de las páginas que elejimos antes. 

5.- Por último, a lo que vine, buscamos la imagen que tenga texto, vamos al menú Herramientas, OCR y
se abre una ventana en la que elegimos el motor de busqueda y el idioma, seleccionamos Tessract. 

6.- Automaticamente el texto en forma de imagen es extraido y está listo para copiarse. 

En caso de querer sacarle texto a una imagen, en el paso 5, como motor elegimos GORC y se obtiene el texto aunque sin caracteres especiales ni tildes.

Espero que les sea útil y mas que todo les ahorre tiempo.

Capturas de pantallas.