Cómo escanear documentos y aplicar OCR en Linux

¿Intentaste con Simple Scan, el programa que viene por defecto en Ubuntu, pero te desilusionaste al ver que no soporta OCR, etc.? Al mismo tiempo, ¿XSANE te resulta demasiado complicado para la simple tarea que te propusiste realizar? ¿Extrañás lo sencillo que era escanear documentos con Omnipage?

Bueno, a no extrañar más… vamos a ver cómo escanear y realizar OCR en los docs escaneados de un modo muy pero muy sencillo. Vas a quedar asombrado con los resultados.

Cómo escanear en 2 simples pasos

1.- Instalar gscan2pdf & tesseract-ocr (junto con su respectivo paquete de idioma). O sea, en caso de que vayas a escanear documentos en inglés, instalá tesseract-ocr-eng; si son en español instalá tesseract-ocr-spa y así.

sudo apt-get install gscan2pdf tesseract-ocr tesseract-ocr-spa

2.- El resto es bastante sencillo para aquellos que alguna vez escanearon e hicieron OCR a un documento en Windows. Abrí gscan2pdf, escaneá el documento, andá a Opciones > OCR y seleccioná Tesseract como motor de OCR. Existen otros motores, pero Tesseract es, por lejos, el que arroja mejores resultados. Por último, podés guardar el documento final como PDF, DJVU, etc. yendo a Archivo > Guardar.

Nota: al guardar los documentos escaneados es mejor guardarlos en formato DJVU (la calidad es la misma que la de un PDF pero hay una diferencia muy importante de tamaño).

El siguiente videito está en inglés pero alcanza con verlo para entender cómo funciona todo.


12 comentarios

  1.   Anonymous dijo

    Alex: Many gamers have a problem getting “friend zoned” with girls they like.
    After explaining to a confused Melissa that he is not Waldo,
    but The Hon Ludovick Watson, she agrees to go to
    England. Your question also needs to be SIMPLE enough
    for her to respond without a ton of thought.

    Here is my web blog – Tao of Badass Review

  2.   BachiTux dijo

    Aviso que también están disponibles los paquetes en Fedora. 🙂

  3.   chapela dijo

    Tengo dos escáner, uno es el Canon Scan 5000f para documentos A4, y el otro es Braun NovoScan, para escanear negativos y diapositivas. Después de instalar la utilidad gscan2, y de reiniciar el sistema, no ve ninguno de los escáner. ¿que ha pasado? ¿porque no ve los escaner?

  4.   Usemos Linux dijo

    Sin ofender amigos, pero no tiene ningún sentido realizar OCR a funciones matemáticas.

    En todo caso, les conviene realizar OCR al texto circundante (que explica dichas funciones o lo que sea) y que las funciones queden como imágenes.
    Saludos! Pablo.

  5.   NotFromBrooklyn dijo

    Oye, si has dado con una solución a tu proplema, me gustaría saberlo.

  6.   Juan Vallejo dijo

    Creo que llego un poco tarde pero tengo una pregunta. Soy estudiante de ingeniería y estoy buscando alguna forma de digitalizar y pasar a limpio mis apuntes pero el problema está en que la mayoría de esos apuntes están plagados de símbolos matemáticos, gráficas y funciones. ¿hay algo actualmente que me pueda servir?

  7.   Usemos Linux dijo

    Buenísimo! Buen dato! En Arch Tesseract está en los repositorios oficiales, pero gscan2pdf no. Hay que instalarlo a través de yaourt.

  8.   Elcaliman13142 dijo

    muchas gracias me sirvio de mucho, hacen que linux sea mas amistoso gracia de nuevo

  9.   Usemos Linux dijo

    De nada! Es un placer haber podido ayudar.
    Un abrazo! Pablo.

  10.   Martin dijo

    Muy buneo lo estaba buscando probare y ya dire como va esto.

  11.   Mauro Nicolás Ybáñez Girard dijo

    Gracias, lo voy a probar!

  12. Cuando voy a ejecutar el OCR con el motor Tesseract solo me da la opción del proceso en Inglés a pesar de que instalé el paquete tesseract-ocr-spa. ¿que puedo hacer?

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *