Guía · Guía práctica · Escaneados
Cómo anonimizar un PDF escaneado: OCR, zonas y revisión
Equipo Anonimatum
En resumen
Un PDF escaneado es una imagen: sin OCR no hay texto en el que buscar nombres o DNI. Primero se reconoce el texto, después se detectan los datos, las firmas y sellos se tapan con zonas y al final se comprueban imagen y capa de texto.
Buena parte de los documentos que hay que anonimizar no nacen digitales: escritos presentados en papel en el registro, contratos firmados a mano, informes médicos antiguos o expedientes digitalizados para archivo. Cuando se escanean, el resultado es un PDF que contiene fotografías de páginas. Para el ojo humano el DNI está ahí; para un buscador de patrones, no existe.
Esta guía explica cómo tratar esos documentos: qué es el OCR y por qué va primero, qué hace que el reconocimiento falle, cómo tapar lo que no es texto (firmas, sellos, anotaciones a mano) y cómo comprobar que no queda nada ni en la imagen ni en la capa de texto oculta.
Paso a paso
Comprueba si el PDF tiene texto
Intenta seleccionar una palabra y busca con Ctrl+F. Si no hay texto, es un escaneado puro; si lo hay pero falla, el OCR previo puede ser de mala calidad.
Mejora el escaneo si puedes
Si tienes el papel, vuelve a escanear recto y con resolución suficiente. Un buen original ahorra errores de reconocimiento.
Activa Anonimizar + OCR
Sube el PDF en Anonimatum y activa la opción en Configuración. Confirma las páginas que necesitan OCR; las páginas nativas no se reprocesan.
Elige patrones e IA
Marca patrones como DNI/NIE, email, teléfono o IBAN y las Opciones IA necesarias (Anonimización RGPD, Direcciones, Fechas…).
Dibuja zonas para lo que no es texto
Con DIBUJAR ZONA tapa firmas, sellos, notas manuscritas y fotos; guárdalas como patrón de figuras si se repiten.
Previsualiza y corrige
Pulsa PREVISUALIZAR y revisa las marcas en amarillo; añade con doble clic los datos que el OCR leyó mal y quita los falsos positivos.
Anonimiza y verifica
Pulsa ANONIMIZAR, descarga el resultado y comprueba imagen y capa de texto con zoom, copiar y pegar y búsquedas.
Qué tiene de especial un PDF escaneado
Un PDF generado desde un procesador de textos guarda el texto como caracteres. Un PDF escaneado guarda una imagen por página. Hay una tercera variante muy frecuente y traicionera: el escaneado al que el escáner o un programa ya aplicó OCR, que añade texto invisible detrás de la imagen para que se pueda buscar. Si en ese documento solo se dibuja un rectángulo negro sobre la imagen, el nombre desaparece de la vista pero sigue en la capa de texto; si solo se borra el texto, el nombre se sigue viendo en la imagen.
Por eso, en un escaneado, anonimizar exige actuar sobre las dos cosas a la vez: los píxeles de la imagen y el texto reconocido. Es la misma idea de la censura de documentos real, aplicada a una página que es una fotografía.
Primero el OCR: sin texto no hay detección
El reconocimiento óptico de caracteres (OCR) convierte la imagen en texto con posición. Solo entonces los patrones pueden encontrar un DNI (12345678Z, ficticio) o un NIE (Y1234567X, ficticio) y la IA puede reconocer nombres, direcciones o fechas. Sin OCR, la única opción sería tapar a mano zona por zona, algo inviable en un expediente de 80 páginas.
Qué influye en la calidad del OCR
- Resolución: los escaneos de muy baja resolución confunden letras; como práctica habitual se recomiendan unos 300 ppp para texto.
- Inclinación y bordes: páginas torcidas, sombras de encuadernación o dedos en fotos de móvil empeoran el reconocimiento.
- Contraste y manchas: fotocopias de fotocopias, papel térmico desvaído o sellos encima del texto.
- Tipografía y tablas: letra muy pequeña, columnas estrechas o formularios con casillas.
- Escritura a mano: el OCR de texto impreso no la reconoce de forma fiable; trátala como imagen.
Los errores de OCR tienen una consecuencia directa: si el 0 se lee como O o la letra final del DNI se pierde, el patrón no encaja y el dato se escapa. Por eso, en escaneados, la revisión humana de la previsualización es todavía más importante que en un PDF nativo.
Firmas, sellos y anotaciones a mano: zonas
Hay información personal que no es texto: la firma manuscrita, el sello de registro con el nombre del funcionario, una nota escrita al margen, la fotocopia de un documento de identidad grapada al expediente. Para todo eso se usan zonas, rectángulos que se dibujan sobre la página y que eliminan el contenido de esa área. En Anonimatum se pulsa DIBUJAR ZONA, se traza el rectángulo y se elige el alcance: solo la página actual, un rango de páginas o todo el documento.
Si el mismo elemento aparece siempre en el mismo sitio, como el sello lateral que se repite en cada hoja de un contrato o la firma al pie de un modelo normalizado, conviene guardar la zona como patrón de figuras y reutilizarla en los siguientes documentos. La versión 1.9.0 incluye además plantillas del sistema para casos típicos, como contratos con sellos laterales.
Cómo hacerlo en Anonimatum
Al subir un PDF, si ya tiene capa de texto suficiente, no se vuelve a aplicar OCR. Si es un escaneado, en Configuración se activa Anonimizar + OCR: la aplicación indica qué páginas necesitan OCR y pide confirmación antes de aplicarlo. Cuando termina, el visor muestra la insignia PDF con OCR. El motor (Tesseract por defecto o PaddleOCR) se elige en Perfil → Motor OCR. La página del anonimizador de PDF escaneados resume estas funciones.
| Documento | Páginas con OCR | Páginas de cupo |
|---|---|---|
| 10 páginas, todas nativas | 0 | 10 |
| 10 páginas, 3 escaneadas | 3 | 13 |
| 10 páginas, todas escaneadas | 10 | 20 |
Como se ve en la tabla, las páginas con OCR cuentan doble, pero solo las que lo necesitan. Si únicamente quieres un PDF con texto buscable, sin anonimizar, existe la herramienta PDF con texto copiable, que se procesa en la cola de documentos.
Verificación de un escaneado anonimizado
Comprobaciones específicas para escaneados
- Mira cada página con zoom: las cajas deben cubrir por completo el dato, incluidos rasgos de la firma que sobresalen.
- Selecciona todo el texto, cópialo y pégalo en un editor: no debe aparecer ningún dato tapado en la capa OCR.
- Busca con Ctrl+F el apellido y también variantes mal reconocidas (por ejemplo, con 0 en lugar de O).
- Revisa márgenes, reversos y páginas en blanco: sellos de registro y notas suelen estar ahí.
- Comprueba metadatos y nombre del fichero antes de compartirlo.
Preguntas frecuentes
¿Por qué la herramienta no encuentra el DNI en mi PDF escaneado?
Porque sin OCR no hay texto en el que buscar. Activa el OCR. Si ya está activo, revisa la calidad: un carácter mal reconocido basta para que el patrón no coincida.
¿Cuánto cupo consume un PDF escaneado?
Las páginas a las que se aplica OCR cuentan doble: un documento de 10 páginas con OCR en 3 consume 13 páginas, no 20.
¿Se detectan automáticamente las firmas manuscritas?
No conviene contar con ello. Las firmas, sellos y anotaciones a mano se tapan con zonas dibujadas o con patrones de figuras reutilizables.
Mi escaneado ya tenía OCR, ¿hay algún riesgo?
Sí: la capa de texto invisible puede contener los datos aunque los tapes en la imagen. Usa una herramienta que elimine ambos y verifica copiando el texto del resultado.
¿Tenéis expedientes escaneados que anonimizar?
Escríbenos y te mostramos en una demo cómo combinar OCR selectivo, detección con IA en la UE y zonas para firmas y sellos.