Recuperando Estilos en OCR: Más Allá del Texto Plano

El Desafío de los Estilos Tipográficos

Hoy vamos a hablar de algo que suele pasar desapercibido en la digitalización: ¿puede un programa OCR conservar negritas, cursivas y versalitas? La respuesta corta es que el OCR «puro» fiable para esto todavía es raro. Lo que realmente existen son sistemas sofisticados diseñados para intentar reconstruir el estilo tipográfico a partir del PDF o de la imagen original.

A continuación, desglosamos qué herramientas se acercan más a este objetivo cuando trabajas con documentos decentes:

ABBYY FineReader

A diferencia de la mayoría, ABBYY es probablemente el más sólido en este aspecto. No solo reconoce texto; intenta mantener la estructura y jerarquía del documento original. En muchos casos, respeta las negritas y cursivas e incluso puede inferir estilos de títulos.

Adobe Acrobat Pro

El OCR de Adobe es bastante competente si partes desde un PDF. Mantiene muy bien los estilos cuando el texto está embebido o semi-estructurado. Es más un editor de PDF con capacidades OCR, pero eso juega a favor al preservar el formato original.

Tesseract y OCRmyPDF

Con Tesseract, la situación es más cruda: su motor estándar no preserva estilos. Lo interesante es que usando salidas como hOCR o ALTO XML puedes reconstruir algo de formato, aunque requiere trabajo artesanal. Por otro lado, herramientas como OCRmyPDF automatizan este flujo sobre Tesseract y pueden conservar la capa visual del documento mientras añaden texto encima.

Flujos Híbridos y Automatización

Ahora, hay un truco importante que casi nadie te dice: en enciclopedias o textos complejos, el «énfasis» a menudo no está solo en la negrita o cursiva, sino en la jerarquía tipográfica como tamaño y peso. Los OCR buenos no solo guardan estilos, guardan esa estructura.

La estrategia más limpia suele ser un pipeline específico:

1. Usar ABBYY FineReader o Acrobat Pro para extraer a DOCX.
2. Exportar manteniendo los estilos automáticos del motor.
3. Normalizar los estilos (Heading, Italic, Bold).
4. Corregir manualmente solo los casos ambiguos que queden.

Si quieres algo más fino, existen flujos híbridos donde el OCR te da coordenadas y tipo de fuente, permitiendo a un script reconstruir estilos con reglas lógicas.

Es importante mencionar una limitación clave que todos los sistemas tienen: las versalitas. A pesar de lo bien que reconozcan negritas y cursivas, casi todas las herramientas tienden a degradar las versalitas a mayúsculas normales.

Si me dices qué tipo de documento tienes, puedo afinarte una combinación que funcione casi quirúrgicamente bien para tu caso específico.