MarginaGet Margina
Artículos

Publicado

Cómo encontrar texto dentro de tus PDF y EPUB

Que puedas buscar dentro de un documento depende de una sola cosa: si el archivo tiene una capa de texto real. Un EPUB siempre la tiene. Un PDF solo la tiene si nació digital, o si ya pasó por OCR. Esto es lo que ocurre en realidad cuando tocas el ícono de búsqueda, y cómo arreglar un escaneo que no encuentra nada.

Respuesta rápida

Que puedas buscar dentro de un documento depende de una sola cosa: si el archivo tiene una capa de texto real. Un EPUB siempre la tiene — su contenido está construido en marcado XHTML, el mismo texto estructurado con el que se hace una página web, así que no hay nada que extraer. Ya es texto. Un PDF solo tiene una capa de texto si nació digital (exportado desde un procesador de texto, por ejemplo) o si ya pasó por OCR. Una página escaneada sin OCR es solo una fotografía. Cada palabra en ella es un píxel, no un carácter, y la búsqueda no tiene nada con qué comparar.

Esa distinción explica casi todos los momentos de "¿por qué no encuentro esta palabra?". A continuación: qué ocurre en realidad cuando tocas el ícono de búsqueda, qué cambia los resultados, y cómo arreglar un escaneo que no encuentra nada.

Paso a paso

Con qué está comparando realmente la búsqueda

Un cuadro de búsqueda no mira la página como tú lo haces. Escanea el flujo de texto extraído del documento en busca de tu consulta y devuelve los rangos coincidentes. En iOS, los métodos de búsqueda de PDFKit funcionan exactamente así: findString hace una pasada síncrona y devuelve la primera coincidencia, beginFindString se ejecuta de forma asíncrona e informa cada coincidencia a medida que la encuentra, y cada resultado vuelve como un objeto de selección que la app usa para resaltar el texto y desplazarse hasta él. Nada de esto toca la imagen renderizada de la página. Está leyendo el flujo de texto que hay debajo.

Opciones que cambian qué cuenta como coincidencia

Dos ajustes determinan la lista de resultados. La búsqueda sin distinción de mayúsculas ignora las mayúsculas, así que "Lectura" y "lectura" coinciden por igual. La búsqueda de palabra completa solo coincide con palabras enteras, así que buscar "leer" no hará aparecer también "leerlo" o "releer" — útil cuando el término que buscas es corto o común.

Problemas comunes y cómo resolverlos

"Busqué y no obtuve ningún resultado"

La causa más común: el archivo es un escaneo — una fotografía de una página — sin ninguna pasada de OCR detrás. Las palabras son visibles, pero no hay texto extraíble, así que la búsqueda no tiene nada con qué comparar. No es un error. Es que, literalmente, todavía no hay nada ahí. (Más sobre qué es el OCR y cuándo lo necesitas de verdad en nuestra guía sobre OCR.)

Cómo arreglarlo con OCR

El OCR reconoce las formas de los caracteres en un escaneo y escribe una capa de texto oculta ubicada exactamente debajo de la imagen original de la página. La página se ve idéntica — misma fotografía, mismo diseño — pero ahora tiene texto real, seleccionable y buscable, escondido debajo. La calidad del escaneo afecta la precisión: un escaneo más nítido, y el idioma del documento configurado correctamente antes de ejecutar el reconocimiento, mejoran el resultado de forma notable.

Cómo hacerlo en Margina

Margina busca en lo que abras — PDF, EPUB, Word, texto plano — de la misma manera, en el dispositivo, sin subir el archivo a ningún lado ni crear una cuenta. Si un documento ya tiene una capa de texto, la búsqueda la encuentra al instante. Si es un escaneo sin ella, Margina lo dice con claridad en vez de fingir que puede buscar un texto que no existe; tendrías que pasar el archivo por OCR en otro lugar primero. Eso importa más de lo que parece para un PDF académico denso, ya que ese tipo de archivos casi siempre nacen digitales y ya son buscables en el momento en que llegan a tu teléfono.

Si esto es el tipo de cosas que lees en tu teléfono, Margina es una descarga gratuita en App Store y Google Play.

Preguntas frecuentes

¿Por qué no puedo buscar texto en un PDF que escaneé yo mismo?

Un PDF escaneado es una fotografía de una página, no texto — no hay nada con qué comparar hasta que el OCR (reconocimiento óptico de caracteres) lo procese y escriba una capa de texto oculta y buscable debajo de la imagen. Hasta entonces, cada palabra es un píxel, no un carácter.

¿Un EPUB siempre se puede buscar, incluso sin OCR?

Sí. El texto de un EPUB es marcado XHTML — el mismo tipo de texto estructurado con el que se construye una página web — así que ya es extraíble en el momento en que se abre el archivo. No hay ningún paso de escaneo o reconocimiento de por medio, que es también la razón por la que el texto de un EPUB se reajusta según la pantalla.

¿Cuál es la diferencia entre buscar y "Buscar en la página"?

Dentro de un mismo documento abierto son lo mismo: un escaneo del texto extraído de ese archivo en busca de una cadena que coincida. "Búsqueda de texto completo" suele referirse a buscar en muchos documentos a la vez, lo que necesita un índice construido de antemano en lugar de un escaneo en vivo — útil para una biblioteca, innecesario para un solo PDF abierto.

¿La búsqueda funciona igual en libros de biblioteca escaneados, como en Internet Archive?

El mecanismo es idéntico — depende de que exista texto procesado con OCR antes de que una búsqueda pueda encontrar algo. Internet Archive ejecuta OCR en toda su colección escaneada específicamente para que su función de búsqueda dentro de un libro tenga algo con qué comparar.