PDF sin capa de texto: cómo saberlo antes de crear una regla de contenido

Un PDF no tiene capa de texto cuando las palabras de la página nunca se codificaron como texto — el archivo solo guarda una imagen de ellas, así que no hay nada que una regla, un cuadro de búsqueda o Ctrl+F puedan leer. Esta es la razón más habitual por la que una regla de coincidencia por contenido no hace absolutamente nada: no es una regla mal construida, es un archivo sin nada debajo de la imagen para comparar. Puedes averiguar con qué tipo de PDF estás tratando en menos de un minuto, en Mac o en Windows, antes de perder tiempo montando una regla a su alrededor. Esta guía cubre esa prueba, qué hacer cuando un archivo no la supera, y los demás formatos y límites que provocan el mismo fallo silencioso incluso en un PDF normal.

¿Por qué mi regla no encuentra texto en un PDF?

Un PDF que sale de Word, Pages o una app de escaneo moderna lleva dos cosas a la vez: la imagen de la página que ves, y una capa oculta de caracteres reales colocados detrás. Esa capa oculta es la capa de texto. Es lo que usa un lector de PDF para dejarte seleccionar una frase, lo que busca Ctrl+F, y lo que lee una regla de coincidencia por contenido.

Una página escaneada o la foto de un documento tomada con el móvil solo tiene la imagen. Nadie ejecutó reconocimiento de texto sobre ella, así que no hay caracteres detrás de la imagen — solo píxeles ordenados para parecer letras. Para un ojo humano, una factura escaneada y una factura "impresa a PDF" pueden verse idénticas. Para un programa, una tiene palabras dentro y la otra no tiene ninguna. Esto es justo lo que confunde a la gente: el archivo parece un documento normal, se abre bien, se imprime bien, y aun así no coincide con una regla de contenido a menos que la regla ejecute OCR antes, porque nunca hubo texto que comparar.

Esto no es una rareza de File Arbor — cualquier herramienta que lee el contenido de un archivo necesita una capa de texto para leer, File Juggler y organize incluidos; las que manejan escaneos, Hazel 6 y, desde la 1.3.0, File Arbor Pro, ejecutan OCR para crear ese texto primero. El propio foro de soporte de Hazel de Noodlesoft tiene un hilo recurrente de usuarios cuyas reglas "dejaron de leer" PDF; una capa de texto ausente, o un índice de Spotlight que se desincronizó, es la explicación que se repite en ese hilo.

La prueba de 60 segundos: ¿tiene este PDF una capa de texto?

Antes de crear cualquier regla en torno al contenido de un PDF, abre el archivo e intenta leerlo como lo haría una regla: intentando seleccionar o buscar su texto. Si no se selecciona nada y la búsqueda no encuentra nada, no hay capa de texto, y ninguna regla de contenido coincidirá con ese archivo a menos que ejecute OCR antes — en File Arbor Pro, configurando la regla para leer también documentos escaneados (desde la 1.3.0).

En Mac

Abre el PDF en Vista Previa. Arrastra el cursor sobre una línea de texto visible. Si palabras concretas se resaltan, el archivo tiene capa de texto. Si no se resalta nada, no importa dónde arrastres, no la tiene. Como segunda comprobación, pulsa Cmd+F y busca una palabra que veas claramente impresa en la página — una capa de texto real la encuentra al instante; un PDF que es solo imagen no encuentra nada.

En Windows

Abre el PDF en tu lector predeterminado (Microsoft Edge lo gestiona de fábrica en Windows 10 y 11). Arrastra el cursor sobre una línea de texto, o pulsa Ctrl+A para seleccionar todo. Una capa de texto resalta palabras concretas; una página que es solo imagen no selecciona nada, o dibuja un único recuadro alrededor de toda la imagen. Pulsa Ctrl+F y busca una palabra de la página como segunda comprobación — misma regla que en Mac: si la encuentra, hay capa de texto; si no la encuentra, no la hay.

Haz esta prueba con un archivo representativo antes de montar una regla para toda una carpeta de ellos. Una sola portada escaneada en un lote que por lo demás es todo texto pasará la prueba; una carpeta llena de resultados de un escáner de sobremesa normalmente no lo hará, y conviene saberlo de antemano, no después de que una regla no haga nada durante una semana sin que nadie se dé cuenta.

PDF con texto seleccionable frente a PDF escaneado: ¿qué herramientas aplican OCR de verdad?

Un PDF con texto seleccionable y un PDF escaneado pueden ser visualmente indistinguibles y funcionalmente opuestos. La diferencia está por completo en si alguna vez se ejecutó OCR — reconocimiento óptico de caracteres — sobre el archivo, ya sea al crearlo (una app de escaneo que reconoce el texto mientras escanea) o después (un paso de OCR aparte sobre un archivo que ya era solo imagen).

Aquí es donde las herramientas realmente se diferencian, y merece la pena decirlo sin rodeos en lugar de como una nota al margen: Hazel 6 aplica reconocimiento de texto al vuelo sobre PDF sin OCR previo, y se le puede indicar una contraseña para abrir un PDF cifrado, directamente dentro del propio paso de comparación. File Arbor no hacía ninguna de las dos cosas antes de la 1.3.0. Desde entonces, Pro también aplica OCR, cuando una regla está configurada para leer también documentos escaneados: lee la primera y la última página de un PDF escaneado o de una foto (JPEG, PNG, TIFF), en 9 idiomas, a razón de aproximadamente un segundo por página. Sigue sin haber un campo de contraseña, así que un PDF cifrado sigue siendo ilegible.

Si tus PDF suelen estar cifrados, la opción de contraseña de Hazel es la razón práctica para elegirlo antes que File Arbor — eso es cierto en Mac incluso para alguien que de otro modo preferiría una herramienta multiplataforma. Con los escaneos, ahora ambos ejecutan OCR dentro de la regla. Sin embargo, File Arbor Pro solo lee la primera y la última página, así que, si el texto que necesitas está más adentro de un escaneo largo, ejecutar el OCR una vez, de antemano, sobre los archivos que lo necesitan sigue llevando a una regla de contenido de File Arbor al mismo resultado.

Qué hacer cuando no hay capa de texto

No superar la prueba de 60 segundos no significa que la comparación por contenido quede descartada para ese archivo — significa que tienes dos opciones honestas, y ninguna de las dos es "esperar y confiar".

Aplícale OCR. Desde la 1.3.0, File Arbor Pro puede hacerlo dentro de la regla: configura la regla para leer también documentos escaneados, y lee la primera y la última página de cada escaneo. Esa misma regla puede darle después al escaneo un nombre a partir de una fecha o un número que lea, como se muestra en cómo renombrar archivos PDF según su contenido. Si no, una herramienta de OCR dedicada, el software que viene con tu escáner, o el paso de reconocimiento integrado en Adobe Acrobat pueden añadir una capa de texto real a un PDF que era solo imagen. Una vez hecho eso, el archivo pasa la misma prueba de seleccionar y buscar, y una regla de contenido puede leerlo como a cualquier otro PDF.

O evita la comparación por contenido para ese archivo y compáralo por otra cosa. Una regla que compara por nombre de archivo, por la carpeta donde cayó o por su fecha no necesita leer ni un solo carácter dentro del archivo. Si un cliente siempre te envía recibos escaneados con el nombre recibo-escaneado-*.pdf, una regla basada en el nombre resuelve el problema sin necesidad de OCR — a veces el arreglo honesto es una regla más simple, no una herramienta más grande.

Otros formatos que no coinciden, aunque tengan capa de texto

Una capa de texto ausente no es la única forma en la que un archivo falla en silencio. En File Arbor, ninguno de los siguientes formatos activará una condición de contenido, sin importar lo que haya dentro:

• Hojas de cálculo XLSX. Las condiciones de contenido no leen celdas de ninguna hoja de cálculo.
• Encabezados, pies de página y notas al pie de un DOCX. Solo se revisa el texto del cuerpo principal de un documento de Word — una palabra clave que solo está en un pie de página o en un encabezado no coincidirá.
• PDF cifrados o protegidos con contraseña. No se pueden abrir para extraer texto sin la contraseña, y File Arbor no tiene ningún campo donde indicarla.

Nada de esto es específico de la implementación de File Arbor — refleja lo que un motor de reglas puede extraer sin pedir una contraseña o sin un analizador de hojas de cálculo, no un fallo que se vaya a arreglar más adelante.

Los límites que provocan un fallo silencioso incluso en un PDF normal

Incluso un PDF que supera la prueba de 60 segundos con una capa de texto real puede seguir sin coincidir, porque la extracción de contenido en File Arbor tiene límites estrictos: 32 MB por archivo, los primeros 256 KB de texto extraído, las primeras 20 páginas de un PDF, y una ventana de procesamiento de 5 segundos por archivo.

El límite de páginas es el que más pilla por sorpresa. Un contrato de 40 páginas con la palabra "rescisión" solo en la página 25 no coincidirá con una regla que la busque — File Arbor nunca lee más allá de la página 20, así que, para la regla, esa palabra no existe en el archivo. La misma lógica se aplica al límite de 256 KB de texto en documentos largos y densos: la extracción se detiene ahí aunque el archivo siga. Estos límites no son arbitrarios; existen para que un solo archivo enorme no bloquee a todos los demás archivos que esperan en la cola detrás de él.

¿Qué solución deberías usar?

"El archivo no se selecciona ni se busca en absoluto." Es un escaneo o una foto sin capa de texto. En File Arbor Pro, configura la regla para leer también documentos escaneados (desde la 1.3.0); si no, pásalo primero por un programa de OCR, o enrútalo por nombre, carpeta o fecha en lugar de por contenido.

"El texto se selecciona bien, pero la regla sigue sin coincidir." Comprueba si la frase que buscas cae después de la página 20, si el archivo pesa más de 32 MB, o si la coincidencia queda después de los primeros 256 KB de texto extraído — cualquiera de esos límites provoca un fallo silencioso en un PDF por lo demás normal.

"El PDF está protegido con contraseña." Ni File Arbor ni una regla de contenido normal pueden abrirlo sin la contraseña. En Mac, a Hazel se le puede indicar la contraseña directamente en la regla. Si no, quita la contraseña antes de automatizar el archivo, si puedes.

"Es una hoja de cálculo, o la coincidencia está en el encabezado o pie de página de un documento de Word." Las condiciones de contenido leen el texto del cuerpo de un DOCX y la capa de texto de un PDF — no celdas de hojas de cálculo, ni encabezados, pies de página o notas al pie. Compara por nombre de archivo o por carpeta en su lugar.

"Tengo cientos de archivos escaneados y no tengo tiempo de arreglarlos uno a uno." Deja que la regla ejecute el OCR: File Arbor Pro lo hace desde la 1.3.0, en Windows y Mac, y Hazel 6 lo hace en Mac. Con cualquier otra herramienta, pásalos primero por un programa de OCR en lote y luego apunta tu regla al resultado ya reconocido.

FAQ

¿Qué significa que un PDF no tenga capa de texto?

Significa que las palabras de la página nunca se codificaron como texto, solo como una imagen de ellas. Un PDF creado a partir de un escaneo o de una foto con el móvil guarda píxeles, no caracteres, así que no hay nada que seleccionar, buscar ni comparar hasta que el OCR reconozca el texto — la página puede verse idéntica a un PDF normal aunque no tenga ni una sola palabra legible debajo de la imagen.

¿Por qué mi regla no encuentra texto dentro de un PDF?

Normalmente porque el PDF no tiene capa de texto — es un escaneo o una foto sin caracteres que leer. También puede pasar en un PDF normal si la coincidencia cae fuera de los límites de la herramienta, si el PDF está cifrado, o si el archivo es un formato que la herramienta no lee por contenido, como una hoja de cálculo o el encabezado de un documento de Word.

¿Cuál es la diferencia entre un PDF con texto seleccionable y un PDF escaneado?

Un PDF con texto seleccionable tiene una capa de texto real, creada al exportarlo desde un procesador de textos o mediante OCR, así que sus palabras se pueden seleccionar, buscar y comparar con software. Un PDF escaneado es la foto de una página, normalmente de un escáner o de la cámara del móvil, sin capa de texto, así que ninguna de sus palabras es legible para el software hasta que el OCR las reconozca.

¿Cómo compruebo si un PDF tiene capa de texto antes de crear una regla?

Abre el PDF e intenta seleccionar una línea de texto, o busca una palabra que veas en la página. En Mac, usa la herramienta de selección de Vista Previa o Cmd+F; en Windows, usa la búsqueda de tu lector de PDF o arrastra el cursor para seleccionar texto. Si no se resalta nada y la búsqueda no encuentra nada, el archivo no tiene capa de texto.

¿File Arbor lee PDF escaneados igual que Hazel?

Sí, desde la 1.3.0, con dos diferencias. File Arbor Pro aplica OCR a PDF escaneados y fotos cuando una regla está configurada para leer también documentos escaneados, pero solo lee la primera y la última página. Y a diferencia de Hazel 6, no puede abrir un PDF protegido con contraseña, así que un PDF cifrado sigue necesitando desbloquearse antes de que una regla de contenido de File Arbor pueda coincidir con él.

¿Una regla de contenido encontrará texto en la página 40 de un PDF?

No. File Arbor solo lee las primeras 20 páginas de un PDF, junto con los primeros 256 KB de texto extraído, archivos de hasta 32 MB y una ventana de 5 segundos de procesamiento por archivo. Una palabra clave que solo aparece en la página 40 de un documento más largo no coincidirá, aunque el PDF tenga una capa de texto normal.

Lo esencial

Un PDF sin capa de texto no es una regla mal hecha por tu parte — es un archivo sin nada que leer, y la prueba de 60 segundos de seleccionar y buscar te dice con qué tipo estás tratando antes de perder tiempo configurando nada. Pasa por OCR los archivos que lo necesiten — desde la 1.3.0, una regla de File Arbor Pro puede hacerlo por sí misma — o enrútalos por nombre, carpeta o fecha. Para todo lo demás, revisa el formato y los límites: sin XLSX, sin encabezados ni pies de página de DOCX, sin PDF cifrados, y nada más allá de 20 páginas, 256 KB o 32 MB.

Es el mismo límite honesto que cubrimos en nuestra guía para organizar archivos en carpetas según su contenido — las reglas de contenido enrutan archivos según lo que realmente se puede leer dentro de ellos, y no se infiere nada. Si tus archivos superan la prueba, descarga File Arbor y crea la regla; si no la superan, configura la regla para leer también documentos escaneados (Pro), o arregla primero el archivo.