Convertir BMP a TXT

Hoy nadie escanea a BMP a propósito. Los archivos que llegan aquí los escribió un controlador de escáner de los noventa, una pasarela de fax, una multifunción con firmware antiguo o un gestor documental que lleva veinte años funcionando en un archivo o en una gestoría sin que nadie lo tocara.

Eso define el trabajo. Rara vez es una página y una duda: es una carpeta, o una unidad de red, o la exportación de un sistema que se va a dar de baja, y las palabras tienen que salir de ahí porque el programa que sabía leerlas desaparece. También significa que no se puede volver a escanear: un fax de 1997 de una carta firmada está tan bien como va a estar nunca, y eso separa esta página de cualquier otra de reconocimiento de este sitio.

Como un BMP no comprime nada, su tamaño es aritmética pura y la aritmética funciona hacia atrás. Un A4 escaneado a 300 ppp en color o en gris de 24 bits mide 2.480 por 3.508 píxeles y ocupa unos 26 MB. El mismo A4 a 150 ppp mide 1.240 por 1.754 y ronda los 6,5 MB. Un archivo de unos cientos de kilobytes en color se escaneó a una resolución demasiado baja para leerse con fiabilidad.

Conviene mirarlo antes de procesar el archivo entero y no después. La resolución es el mejor indicador de cómo va a salir el reconocimiento, quedó fijada en el momento del escaneo y con un BMP se deduce del tamaño sin abrir nada. Ordenar la carpeta por tamaño es, por tanto, una ordenación aproximada por calidad esperada: una clasificación baratísima que solo funciona porque el formato no comprime y nada del contenido interfiere en la cifra.

Buena parte del escaneo antiguo era de dos niveles: cada píxel forzado a negro o a blanco en el momento de digitalizar, porque una página a un bit por píxel ocupaba una octava parte y el disco era el problema. Las imágenes de fax lo son por definición.

El reconocedor quiere justamente los grises que ahí se tiraron. Los bordes suavizados y los trazos parciales son lo que permite distinguir una e de una c, y el umbral los eliminó antes de que existiera el archivo: los remates finos desaparecen, la letra floja se rompe en fragmentos y la negrita se emborrona en una mancha. Eso no se recupera y ningún ajuste de esta página lo compensa. Hay un consuelo pequeño y práctico: un A4 de dos niveles a 300 ppp ocupa alrededor de 1,1 MB en vez de 26, que es exactamente por lo que se escaneó así y por lo que el archivo entero cabe donde cabe.

Es la recomendación incómoda y hay que darla antes de que alguien pase cuatro días procesando. Cuando el original en papel está en la misma sala que el archivo digital, escanearlo de nuevo en escala de grises a 300 ppp aporta más que cualquier tratamiento posterior, y aporta más que cambiar de programa de reconocimiento.

Lo que hay que valorar es cuánto papel es y cuánto vale. Un expediente de veinte hojas se vuelve a pasar por el alimentador en cinco minutos. Cincuenta mil folios en cajas no se vuelven a escanear por mucho que convenga, y entonces esta página es la respuesta que hay, con sus límites explicados en vez de escondidos.

Hay modelos para español, inglés, francés y alemán, y la elección no es una pista que el programa pueda desoír: el reconocedor compara formas contra las letras y el vocabulario de un idioma concreto. Si le das el equivocado no falla, devuelve la coincidencia más próxima dentro de un conjunto que no contiene la respuesta correcta.

El síntoma es texto fluido y falso. En un archivo eso hay que acertarlo en el primer documento y no en el ciento veinte, porque una tanda leída en el idioma equivocado produce una carpeta de resultados verosímiles que nadie detecta hasta mucho después. Y si el archivo mezcla idiomas —correspondencia con proveedores extranjeros dentro del mismo expediente—, sepáralo por idioma antes de convertir en vez de pelear con una tanda mixta.

Cada resultado conserva el nombre original con la extensión cambiada, así que el orden de los textos es el orden de los mapas de bits, que es el que decidiera aquel sistema en 1998. Los nombres con numeración rellena de ceros ordenan bien; los que terminan en un número sin rellenar, no, y una serie que llega a la página 10 la coloca justo después de la 1.

El problema serio es otro. Una página en la que el reconocedor no encontró nada vuelve como un archivo vacío y no como un error, de modo que una hoja separadora en blanco, una página escaneada del revés y una página cuyo contraste lo derrotó tienen el mismo aspecto en la carpeta de salida. Ordenar los resultados por tamaño y abrir los más pequeños lleva un minuto y los encuentra todos.

Es el único motor de este sitio que puede equivocarse con seguridad en lugar de limitarse a ser imperfecto. Un conversor que pasa un mapa de bits a PNG funciona o lanza un error; éste devuelve texto que parece texto diga o no diga lo que decía la página, sin ninguna marca en las partes de las que dudaba.

Revisa el resultado contra el original y revisa primero las cifras. Un dígito mal leído en un importe, en un número de expediente, en un NIF o en una fecha es exactamente el error que sobrevive a una lectura rápida y aparece meses después. Las cifras son además el peor caso posible, porque detrás no hay vocabulario: una letra equivocada suele producir una palabra que no existe, y un dígito equivocado produce un número perfectamente creíble.

Texto plano: sin títulos, sin columnas, sin tablas y sin posiciones sobre la página. Una carta o un oficio a una sola columna vuelve en orden y se lee bien, y eso cubre buena parte de lo que hay en un archivo administrativo.

Todo lo estructurado se degrada. Una página a dos columnas puede volver con las columnas entrelazadas, porque el reconocedor lee de lado a lado lo que parecen líneas. Un impreso pierde la relación entre cada etiqueta y su valor, y una tabla se convierte en una hilera de números sin indicación de a qué columna pertenecían. Para esos casos, cuenta con trabajar el resultado a mano o tratarlos hoja por hoja.

El programa de reconocimiento que usa esta página descarga normalmente tres cosas de una red de distribución ajena: su proceso de trabajo, su núcleo en WebAssembly y el modelo del idioma. Tal cual viene, eso son tres peticiones a un tercero que llevan tu dirección y la dirección de la página en la que estás.

Aquí las tres se sirven desde este mismo origen, y hay una prueba automática que falla si vuelve a aparecer una dirección externa. El mapa de bits nunca iba a salir de tu equipo en ningún caso; lo que se corrige es que alguien que está leyendo una nómina, un historial médico o un expediente laboral no debería anunciárselo a un tercero como efecto secundario de la herramienta. El modelo del idioma se guarda en el navegador después de la primera vez, así que el segundo documento ya no lo vuelve a pedir.

Suelta la carpeta. Cada archivo se reconoce por turno y los resultados vuelven juntos, conservando los nombres. El techo de 100 MB por archivo equivale a unos 33 megapíxeles de mapa de bits y no es la restricción que te va a frenar.

La restricción es el tiempo: éste es con diferencia el motor más lento de todo el sitio. Lanza una tanda grande, déjala trabajar, y revisa los primeros resultados antes de irte, porque una hora de reconocimiento en el idioma equivocado es una hora gastada dos veces. Y conserva siempre los mapas de bits originales: son lo único que permitirá corregir el resultado más adelante.

Si los escaneos se leen bien y lo que hay que entregar es un documento y no una transcripción, pasar los mapas de bits a PDF y conservar las imágenes suele ser lo que de verdad quería el destinatario. La extracción de texto solo hace falta cuando alguien tiene que buscar dentro o reutilizar las palabras.

Y si el reconocimiento sale pobre en las primeras hojas, la conclusión honesta suele ser que ese archivo no da para leerse automáticamente. Un fax de dos niveles a 200 ppp de una copia con papel de calco tiene un techo que ninguna herramienta atraviesa. Saberlo después de cinco páginas en lugar de después de quinientas es lo más útil que esta página puede ofrecer.