Por qué los PDF escaneados pesan tanto

Una carta de cinco páginas escrita en un procesador de textos y exportada a PDF suele ocupar menos de 200 KB. Esas mismas cinco páginas, impresas, firmadas y escaneadas de vuelta, pueden llegar sin esfuerzo a 15 MB: setenta y cinco veces más para un documento que contiene exactamente las mismas palabras. No ha fallado nada; simplemente los dos archivos no son el mismo tipo de objeto. Uno contiene instrucciones de texto y una fuente. El otro contiene cinco fotografías de papel. En cuanto ve un escaneo como un álbum de fotos y no como un documento, todo su comportamiento se vuelve predecible: por qué es enorme, por qué no puede buscar dentro, por qué convertirlo a Word no da nada y por qué se comprime mejor que cualquier otro archivo que tenga.

De dónde salen los megabytes

Tres ajustes del escáner se multiplican entre sí. El primero es la resolución: una página A4 a 300 puntos por pulgada son unos 2480 por 3508 píxeles, alrededor de 8,7 millones. Suba a 600 ppp y pasan a casi 35 millones: cuatro veces más datos por un detalle que ninguna pantalla mostrará y que ninguna impresora necesita para texto corriente. El segundo es la profundidad de color: el color completo guarda tres valores por píxel, la escala de grises uno y el blanco y negro puro un solo bit. Escanear en color una página de tinta negra sobre papel blanco triplica por tanto los datos en bruto antes de comprimir, y a cambio no le da nada salvo un tono beige apagado donde estaba el papel. El tercero es la codificación que elige el escáner: si guarda las páginas sin pérdida, cada mota de polvo y cada fibra del papel se conservan byte a byte, y el ruido del propio papel pasa a ser una parte importante de su archivo.

Lo que cuesta la textura del papel

Este último punto sorprende. La compresión funciona encontrando repeticiones, y un campo de blanco limpio se comprime hasta casi nada. Pero una página blanca escaneada no es blanca: son miles de valores casi blancos ligeramente distintos, producidos por el grano del papel, la variación de la lámpara y el ruido del sensor. Para un compresor sin pérdida ese campo es detalle impredecible y debe conservarse exactamente, de modo que una página en blanco cuesta megabytes reales. Escanear en escala de grises en lugar de en color ayuda, y escanear en el modo de texto o de destramado que ofrecen casi todos los controladores ayuda más, porque esos modos aplanan los valores casi blancos a blanco antes de codificar la página. Si alguna vez se preguntó por qué el escaneo de una hoja vacía pesa más que un documento de texto de cuarenta páginas, la razón es esta.

Por qué no puede buscar ni convertir

Una página escaneada no contiene ninguna capa de texto. No hay glifos ni códigos de carácter, solo píxeles con forma de letra. La función de búsqueda de su lector no encuentra nada, el botón de copiar no selecciona nada y un conversor de PDF a Word produce honestamente un documento vacío. La única forma de añadir texto es el reconocimiento óptico de caracteres, que examina los píxeles y adivina caracteres. El OCR moderno es bueno con páginas impresas, limpias y rectas, y poco fiable con manuscritos, copias desvaídas, sellos, tablas y cualquier cosa fotografiada en ángulo. Además falla en silencio: un carácter equivocado pero seguro de sí mismo se ve exactamente igual que uno correcto, así que la salida de un OCR sobre algo que importa es un borrador que hay que revisar, no texto recuperado.

Arreglar un archivo que ya le han enviado

Normalmente no puede volver a escanear el documento de otra persona, así que la solución práctica es recodificar. Este es el caso en el que la compresión brilla, porque un escaneo es puro dato de imagen y el dato de imagen es justo lo que un compresor puede rehacer. En nuestras mediciones, un documento escaneado de doce páginas bajó de 17,69 MB a 1,49 MB — un 91,6 por ciento — y siguió perfectamente legible en pantalla. Ese tipo de resultado es normal en escaneos e inalcanzable en documentos de texto, que no tienen nada comparable que dar. Revise el resultado a zoom completo y no como miniatura, y fíjese específicamente en las marcas más pequeñas de la página: una firma, un sello, una nota al pie, una anotación a mano. Si sobreviven, el archivo está bien.

Hacerlo bien en el escáner

Cuando el escaneo es suyo, los ajustes que importan son sencillos. Use 300 ppp para documentos que quizá necesite ampliar o pasar por OCR más adelante, y 200 ppp para el papeleo del día a día; los 600 ppp son para fotografías y dibujos finos, no para una factura firmada. Use escala de grises salvo que el color aporte información: un sello de color, una cláusula resaltada, un gráfico. Deje que el controlador guarde en JPEG dentro del PDF en lugar de sin pérdida si le da la opción, y active las funciones de enderezado automático y de eliminación de páginas en blanco. La cámara del móvil es un escáner legítimo cuando hay prisa, pero fotografíe la página plana, con luz uniforme y llenando el encuadre, y use una aplicación de escaneo que corrija la perspectiva en lugar de la cámara normal, porque una página tomada en ángulo derrota al OCR y queda descuidada.

Cuando pesar mucho es la respuesta correcta

No todo escaneo grande es un error. La digitalización de manuscritos, planos, imágenes médicas y cualquier cosa con valor legal se hace deliberadamente a alta resolución, en color y sin pérdida, precisamente porque la información que se tira hoy no se recupera mañana. La regla es preguntarse quién lee el archivo y cuánto tiene que durar. Un escaneo que se envía esta tarde a un compañero debe ser pequeño y legible. Un escaneo de una escritura de propiedad que se guardará treinta años debe ser grande y fiel, y la copia que envíe por correo debe ser un derivado comprimido de él y no el archivo maestro. Guardar ambos, cuando el documento lo merece, cuesta un poco de disco y zanja la cuestión para siempre.

Una forma rápida de diagnosticar cualquier archivo

Si no sabe qué tipo de PDF tiene, dos pruebas de cinco segundos lo resuelven. Intente seleccionar una frase con el cursor: si se resalta la página entera como un bloque, es una imagen y tiene un escaneo. Después compare el tamaño con el número de páginas: un documento que promedia más de medio megabyte por página es pesado en imágenes casi sin excepción. Esas dos comprobaciones le dicen de inmediato si la compresión ayudará de forma drástica, si la extracción de texto funcionará siquiera y si en realidad debería pedirle al remitente el archivo digital original, que muy a menudo es la solución más rápida de todas.