Liberar el poder de los PDFs buscables con IronOCR: resumen del webinar

¿Por qué son importantes los estándares PDF/UA para mi negocio?

Muchas organizaciones deben cumplir con normas de accesibilidad y cumplimiento, como PDF/UA, ya sea por políticas internas, mandatos del sector público o para el archivo a largo plazo. El estándar PDF/UA (Accesibilidad Universal) garantiza que los archivos PDF sean totalmente accesibles para los usuarios con discapacidades, en particular para aquellos que utilizan tecnologías de apoyo como los lectores de pantalla. No se trata solo de cumplir con la normativa, sino de garantizar la igualdad de acceso a la información para todos los usuarios, evitando al mismo tiempo posibles problemas legales relacionados con infracciones de accesibilidad.

¿Qué hace que el enfoque de IronOCR sea tan sencillo?

Chipego demostró cómo IronOCR convierte un PDF normal, no conforme, en un documento totalmente conforme con PDF/UA con solo unas pocas líneas de código.

using IronOcr;
using IronPdf;

// Initialize IronOCR
var ocr = new IronTesseract();

// Configure OCR for accessibility compliance
ocr.Configuration.ReadBarCodes = true;
ocr.Configuration.RenderSearchablePdf = true;

// Read the scanned PDF
using var input = new OcrInput();
input.AddPdf("scanned-document.pdf");

// Perform OCR and create searchable PDF/UA compliant document
var result = ocr.Read(input);
result.SaveAsSearchablePdf("compliant-output.pdf");

using IronOcr;
using IronPdf;

// Initialize IronOCR
var ocr = new IronTesseract();

// Configure OCR for accessibility compliance
ocr.Configuration.ReadBarCodes = true;
ocr.Configuration.RenderSearchablePdf = true;

// Read the scanned PDF
using var input = new OcrInput();
input.AddPdf("scanned-document.pdf");

// Perform OCR and create searchable PDF/UA compliant document
var result = ocr.Read(input);
result.SaveAsSearchablePdf("compliant-output.pdf");

El resultado fue verificado usando VeraPDF, una herramienta de validación para normas de accesibilidad y archivado. Este paso de validación es crucial para las organizaciones que necesitan demostrar el cumplimiento de auditorías o requisitos normativos.

¿Quién se beneficia más del cumplimiento de PDF/UA?

El cumplimiento de la norma PDF/UA garantiza que los usuarios con discapacidad visual puedan acceder a sus documentos mediante lectores de pantalla, lo que favorece tanto el cumplimiento normativo como el diseño inclusivo. Las agencias gubernamentales, las instituciones educativas y las organizaciones sanitarias se benefician especialmente, ya que suelen tener requisitos de accesibilidad estrictos. Además, las empresas que operan en la UE deben cumplir con la Ley de Accesibilidad Europea, por lo que el cumplimiento de PDF/UA es esencial para acceder al mercado.

¿Qué problema resuelve esto?

¿Alguna vez has tenido un documento escaneado que parece un PDF pero actúa como una imagen? Ahí es donde entra en juego la tecnología OCR. Muchas empresas se enfrentan al reto de gestionar archivos de documentos heredados que contienen miles de archivos PDF escaneados; estos archivos ocupan espacio de almacenamiento, pero no ofrecen capacidades de búsqueda ni de extracción de datos. Sin OCR, los empleados pierden innumerables horas buscando manualmente en los documentos, lo que conduce a una disminución de la productividad y a un aumento de los costes operativos.

¿Cómo funciona el proceso de conversión?

Chipego mostró cómo IronOCR convierte un PDF escaneado no buscable en un PDF buscable, habilitando al instante las capacidades de búsqueda de texto completo. El proceso implica varios pasos sofisticados:

using IronOcr;

// Create a new OCR engine instance
var ocr = new IronTesseract();

// Configure language and accuracy settings
ocr.Language = OcrLanguage.English;
ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd;

// Load the scanned PDF
using var input = new OcrInput();
input.AddPdf("invoice-scan.pdf");

// Apply image improve for better accuracy
input.DeNoise();
input.Deskew();
input.EnhanceResolution(225);

// Perform OCR and save as searchable PDF
var result = ocr.Read(input);
result.SaveAsSearchablePdf("searchable-invoice.pdf");

// Extract text for indexing
string extractedText = result.Text;
Console.WriteLine($"Extracted {extractedText.Length} characters");

using IronOcr;

// Create a new OCR engine instance
var ocr = new IronTesseract();

// Configure language and accuracy settings
ocr.Language = OcrLanguage.English;
ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd;

// Load the scanned PDF
using var input = new OcrInput();
input.AddPdf("invoice-scan.pdf");

// Apply image improve for better accuracy
input.DeNoise();
input.Deskew();
input.EnhanceResolution(225);

// Perform OCR and save as searchable PDF
var result = ocr.Read(input);
result.SaveAsSearchablePdf("searchable-invoice.pdf");

// Extract text for indexing
string extractedText = result.Text;
Console.WriteLine($"Extracted {extractedText.Length} characters");

Tras la conversión, los usuarios pueden encontrar contenido específico utilizando Ctrl+F o buscando por palabras clave como fechas, nombres o temas de los documentos. El motor OCR conserva de forma inteligente el diseño original del documento al tiempo que añade una capa de texto invisible que permite buscar y seleccionar el contenido.

¿Qué sectores se benefician más de los PDF con función de búsqueda?

Ideal para:

• Bufetes de abogados que gestionan expedientes y contratos
• Proveedores de atención sanitaria que gestionan historiales de pacientes
• Equipos que digitalizan registros en papel y necesitan una búsqueda rápida de contenidos
• Instituciones financieras para el procesamiento de facturas y el cumplimiento normativo
• Empresas inmobiliarias que digitalizan documentos de propiedades

Según estimaciones del sector, la capacidad de localizar rápidamente información específica en grandes repositorios de documentos puede reducir el tiempo de búsqueda hasta en un 90 %.

¿Cuándo debo utilizar la extracción selectiva?

Para las empresas que procesan grandes volúmenes de documentos estructurados, como recibos, órdenes de compra o facturas, Chipego demostró cómo IronOCR extrae datos de regiones específicas de un PDF utilizando las coordenadas del cuadro delimitador. Este enfoque específico resulta especialmente valioso cuando se trata de formularios estandarizados en los que la información crítica aparece en ubicaciones fijas, como los importes totales en las facturas, las fechas en los contratos o los ID de cliente en los formularios de pedido.

¿Cómo mejora el rendimiento el procesamiento regional?

En lugar de procesar el archivo completo, IronOCR se centra solo en los campos relevantes como números de orden, totales o direcciones, mejorando dramáticamente la velocidad y reduciendo los costos de nube o computación. A continuación se explica cómo implementar la extracción selectiva:

using IronOcr;
using System.Drawing;

var ocr = new IronTesseract();

// Load PDF and define extraction regions
using var input = new OcrInput();
input.AddPdf("purchase-order.pdf", 1); // Process first page only

// Define bounding box for PO number field (x, y, width, height)
var poNumberArea = new Rectangle(450, 100, 150, 50);
input.AddPdfPage("purchase-order.pdf", 1, poNumberArea);

// Extract just the PO number
var result = ocr.Read(input);
string poNumber = result.Text.Trim();

// Define multiple regions for batch extraction
var regions = new Dictionary<string, Rectangle>
{
    { "PONumber", new Rectangle(450, 100, 150, 50) },
    { "TotalAmount", new Rectangle(450, 600, 150, 50) },
    { "VendorName", new Rectangle(50, 200, 300, 50) }
};

// Extract data from each region
var extractedData = new Dictionary<string, string>();
foreach (var region in regions)
{
    input.Clear();
    input.AddPdfPage("purchase-order.pdf", 1, region.Value);
    var regionResult = ocr.Read(input);
    extractedData[region.Key] = regionResult.Text.Trim();
}

using IronOcr;
using System.Drawing;

var ocr = new IronTesseract();

// Load PDF and define extraction regions
using var input = new OcrInput();
input.AddPdf("purchase-order.pdf", 1); // Process first page only

// Define bounding box for PO number field (x, y, width, height)
var poNumberArea = new Rectangle(450, 100, 150, 50);
input.AddPdfPage("purchase-order.pdf", 1, poNumberArea);

// Extract just the PO number
var result = ocr.Read(input);
string poNumber = result.Text.Trim();

// Define multiple regions for batch extraction
var regions = new Dictionary<string, Rectangle>
{
    { "PONumber", new Rectangle(450, 100, 150, 50) },
    { "TotalAmount", new Rectangle(450, 600, 150, 50) },
    { "VendorName", new Rectangle(50, 200, 300, 50) }
};

// Extract data from each region
var extractedData = new Dictionary<string, string>();
foreach (var region in regions)
{
    input.Clear();
    input.AddPdfPage("purchase-order.pdf", 1, region.Value);
    var regionResult = ocr.Read(input);
    extractedData[region.Key] = regionResult.Text.Trim();
}

Este enfoque específico puede reducir el tiempo de procesamiento entre un 70 % y un 80 % en comparación con el OCR de página completa, lo que lo hace ideal para escenarios de procesamiento de documentos de gran volumen.

¿Cuáles son las ventajas empresariales?

Esto automatiza las tareas repetitivas de introducción de datos, reduciendo el esfuerzo manual, mejorando la precisión y liberando a los equipos para que puedan dedicarse a tareas de mayor valor. Las empresas afirman ahorrar entre 20 y 30 horas a la semana solo en la introducción de datos. Los datos extraídos pueden exportarse automáticamente a bases de datos, integrarse con sistemas existentes o activar flujos de trabajo automatizados. Por ejemplo, los totales de las facturas extraídos pueden actualizar automáticamente los sistemas de contabilidad, mientras que la información de los clientes extraída puede rellenar los registros del CRM sin intervención manual.

¿Puede IronOCR procesar varios archivos a la vez?

Si bien el seminario web mostró ejemplos de código individuales, IronOCR está diseñado para procesamiento por lotes a gran escala. Tanto si convierte cientos como millones de archivos, IronOCR se integra fácilmente en sus sistemas existentes. La solución Enterprise admite multihilo y procesamiento distribuido, lo que permite a las organizaciones procesar miles de documentos por hora. A continuación se muestra un ejemplo de procesamiento por lotes:

using IronOcr;
using System.IO;
using System.Threading.Tasks;

public async Task ProcessDocumentBatch(string folderPath)
{
    var ocr = new IronTesseract();
    ocr.Configuration.RenderSearchablePdf = true;

    // Get all PDF files in directory
    var pdfFiles = Directory.GetFiles(folderPath, "*.pdf");

    // Process files in parallel for maximum efficiency
    await Parallel.ForEachAsync(pdfFiles, async (file, ct) =>
    {
        using var input = new OcrInput();
        input.AddPdf(file);

        var result = await Task.Run(() => ocr.Read(input));

        // Save searchable version
        var outputPath = Path.Combine(folderPath, "searchable", Path.GetFileName(file));
        result.SaveAsSearchablePdf(outputPath);

        // Log processing results
        Console.WriteLine($"Processed: {file} - {result.Pages.Length} pages");
    });
}

using IronOcr;
using System.IO;
using System.Threading.Tasks;

public async Task ProcessDocumentBatch(string folderPath)
{
    var ocr = new IronTesseract();
    ocr.Configuration.RenderSearchablePdf = true;

    // Get all PDF files in directory
    var pdfFiles = Directory.GetFiles(folderPath, "*.pdf");

    // Process files in parallel for maximum efficiency
    await Parallel.ForEachAsync(pdfFiles, async (file, ct) =>
    {
        using var input = new OcrInput();
        input.AddPdf(file);

        var result = await Task.Run(() => ocr.Read(input));

        // Save searchable version
        var outputPath = Path.Combine(folderPath, "searchable", Path.GetFileName(file));
        result.SaveAsSearchablePdf(outputPath);

        // Log processing results
        Console.WriteLine($"Processed: {file} - {result.Pages.Length} pages");
    });
}

¿Qué opciones de soporte están disponibles?

¿Necesitas ayuda? Iron Software ofrece asistencia técnica 24 horas al día, 5 días a la semana, a través de chat y correo electrónico para que puedas ponerte en marcha rápidamente. Su equipo de asistencia incluye especialistas en OCR que pueden ayudarte a mejorar tu caso de uso específico, ya sea que te enfrentes a tipos de documentos difíciles, múltiples idiomas o requisitos de integración complejos. Plus, la documentación completa y los ejemplos de código ayudan a los desarrolladores a implementar soluciones de forma independiente.