De imágenes a PDF y de PDF a imágenes: tamaño de página, PPP y OCR
Una página PDF se mide en puntos y una imagen en píxeles, y los PPP son el tipo de cambio entre ambos. Esa relación explica los tamaños de página extraños, las impresiones borrosas y el peso de los archivos; el texto buscable es un asunto aparte que solo resuelve el OCR.
ConvertBoxPublicado
Puntos y píxeles: dos formas de medir una página
PDF mide las páginas en puntos, y un punto es 1/72 de pulgada. Una página A4 tiene 595 x 842 puntos y una de tamaño carta 612 x 792, sea lo que sea lo que lleve dibujado. El texto y los gráficos vectoriales de la página no tienen píxeles; son instrucciones que el visor dibuja a la resolución que tenga la pantalla o la impresora.
Una imagen es lo contrario: una cuadrícula de píxeles sin tamaño físico propio. Un escaneo de 2480 x 3508 píxeles es un A4 solo si aceptas imprimirlo a 300 píxeles por pulgada; a 150 cubriría una hoja el doble de ancha y el doble de alta. Los PPP son el tipo de cambio entre los dos mundos, y toda conversión entre imágenes y PDF tiene que elegir uno, de forma explícita o en silencio.
De imágenes a PDF: qué tamaño de página obtienes
Los conversores toman una de dos decisiones. Unos colocan cada imagen en un tamaño de papel fijo con márgenes. Otros hacen la página exactamente tan grande como la imagen. La herramienta de JPG a PDF de ConvertBox hace lo segundo y asigna un punto a cada píxel, sin opciones de tamaño de papel, orientación ni márgenes. Por eso una foto de móvil de 4000 x 3000 píxeles se convierte en una página de unas 56 x 42 pulgadas (141 x 106 cm). En pantalla no se nota nada raro, porque los visores escalan la página para ajustarla a la ventana, pero un cuadro de impresión configurado a tamaño real intentará repartirla en muchas hojas; elige ajustar a la página.
Nada de esto afecta a la calidad. PDF entiende la compresión JPEG de forma nativa, así que los datos JPEG se colocan en el archivo tal cual, sin una segunda ronda de pérdida, y los píxeles PNG se guardan sin pérdida y con su transparencia. El PDF acaba pesando más o menos lo mismo que las imágenes que entraron. Para obtener páginas uniformes, recorta o redimensiona antes: el A4 tiene una proporción de 1 a 1,414, y 1240 x 1754 píxeles equivalen a un A4 a 150 PPP.
Preparar fotos y escaneos antes de convertir
- Formato. La herramienta solo incrusta JPEG y PNG; las fotos HEIC de un iPhone, WebP, GIF, BMP o TIFF detienen la conversión con un error, así que conviértelas antes.
- Orientación. Las cámaras de los móviles registran el giro como metadatos EXIF, que una página PDF no interpreta. Si una página sale de lado, gira la propia imagen y vuelve a añadirla.
- Peso. Las fotos de cámara ocupan varios megabytes cada una y entran en el PDF a tamaño completo. Redimensionarlas a unos 1240 x 1754 píxeles convierte un documento de 20 páginas y decenas de megabytes en uno de unos pocos.
- Orden. Cada imagen pasa a ser una página en el orden de la lista, así que ordena la lista antes de convertir.
PPP para imprimir y para pantallas
Para saber a qué tamaño se imprime nítida una imagen, divide sus píxeles entre los PPP deseados. La impresión comercial suele esperar unos 300 PPP, mientras que a las pantallas, las diapositivas y las aplicaciones de mensajería les basta con mucho menos. La herramienta de PDF a JPG de ConvertBox renderiza a una escala fija de 2, es decir, 144 PPP, de modo que una página A4 sale con 1190 x 1684 píxeles. A 300 PPP eso es 1190 / 300, unas 4 pulgadas de ancho, más o menos la mitad del ancho de la hoja: la exportación se ve nítida en pantalla y borrosa impresa a tamaño completo. La escala no se puede cambiar en esa herramienta, así que para resolución de impresión hace falta un programa de escritorio.
| Resolución de renderizado | Página A4 en píxeles | Adecuada para |
|---|---|---|
| 72 PPP (escala 1) | 595 x 842 | Vistas previas rápidas; el texto pequeño se emborrona |
| 144 PPP (escala 2) | 1190 x 1684 | Pantallas, diapositivas, mensajería, páginas web |
| 216 PPP (escala 3) | 1786 x 2526 | Letra pequeña y ampliaciones |
| 300 PPP | 2480 x 3508 | Impresión a tamaño completo |
JPG o PNG para las imágenes de página
La elección depende de lo que haya en la página, no de la costumbre. PNG no tiene pérdida y es muy eficiente en zonas planas, así que una página de texto negro sobre blanco queda pequeña y perfectamente nítida. JPEG está hecho para fotografías: descarta detalle fino que el ojo no echa de menos en los tonos continuos, pero alrededor de bordes marcados, como las letras, produce halos y bloques cuando la calidad es baja.
La regla de decisión: texto, dibujos de línea, diagramas y capturas de pantalla van a PNG; páginas de revista escaneadas y maquetaciones con muchas fotos van a JPEG, donde una calidad del 80 al 90 % suele ser indistinguible en pantalla con una fracción del tamaño. En la herramienta de PDF a JPG de ConvertBox, PNG es el formato predeterminado y el control de JPEG va del 10 al 100 %. Cada página se guarda como un archivo aparte, sin selector de páginas ni paquete ZIP, así que si quieres dos páginas de cuarenta, sepáralas antes. En cualquier caso el resultado es una imagen: el texto ya no se puede seleccionar y los enlaces dejan de funcionar, de modo que conserva el PDF como copia maestra.
Una sola imagen larga en lugar de muchas páginas
Una imagen larga apila todas las páginas de arriba abajo en una sola, lo que encaja con las aplicaciones de mensajería que previsualizan imágenes pero no documentos y con los avisos pensados para desplazarse en un teléfono. Su ancho es el de la página más ancha y su alto es la suma de los altos de todas las páginas.
El límite es el lienzo del navegador. Chrome y Firefox se detienen en 32 767 píxeles por lado, y Safari en móviles es más estricto con el área total. Una página A4 a 144 PPP mide 1684 píxeles de alto, así que 32 767 / 1684 permite 19 páginas; a 72 PPP el tope ronda las 38 y a 216 PPP las 12. La memoria es la segunda restricción: una página A4 renderizada a 144 PPP ocupa 1190 x 1684 x 4 bytes, unos 8 MB sin comprimir, y el lienzo final necesita otro tanto. La herramienta de PDF a imagen larga de ConvertBox ofrece esas tres calidades de renderizado; con documentos más largos, baja la calidad o divide el PDF y genera varias imágenes. Muchas plataformas además recomprimen las imágenes muy altas, así que envía el archivo como documento si el texto pierde nitidez.
Cuándo necesitas OCR y qué te entrega
Un PDF hecho con fotos o escaneos contiene imágenes de palabras. No puedes buscar en él, seleccionar una frase ni copiar un número hasta que el reconocimiento óptico de caracteres haya leído los píxeles y producido texto. Si el texto de un PDF ya se puede seleccionar, el OCR es innecesario y solo introduce errores.
Conviene saber qué tipo de resultado vas a recibir. La herramienta de OCR para PDF de ConvertBox renderiza cada página a 144 PPP, la lee con el motor Tesseract en un único idioma elegido (inglés, coreano, japonés, chino simplificado o español) y devuelve texto sin formato con una línea de marca antes de cada página, para copiarlo o descargarlo como archivo .txt. Su salida opcional en PDF se construye con las imágenes de las páginas y no lleva una capa de texto incrustada, así que no es un PDF buscable. Producir uno, con texto invisible colocado detrás del escaneo, es tarea de programas de OCR de escritorio como Acrobat u OCRmyPDF. La precisión depende del escaneo: el texto corrido de un escaneo a 300 PPP se lee bien, mientras que las páginas inclinadas, el texto gris y las maquetaciones a varias columnas pierden caracteres u orden de lectura, y parecidos como 0 y O o 1 y l merecen una revisión.