Por qué un PDF escaneado es mucho más grande que el original

Haz la cuenta una vez y deja de ser un misterio

Un escáner no lee un documento. Muestrea una hoja de papel sobre una cuadrícula y guarda el resultado, y el tamaño de esa cuadrícula lo fijan dos números que elegiste sin pensar en ellos.

Una página A4 mide 210 × 297 mm, que son unas 8,3 × 11,7 pulgadas. A 300 muestras por pulgada eso son aproximadamente 2.480 × 3.500 píxeles, unos 8,7 millones de ellos, para una sola página. A todo color, a tres bytes por píxel, son unos 26 MB de datos en bruto antes de comprimir nada. Sube el ajuste a 600 DPI y la cuadrícula se duplica en cada dirección, así que el número de píxeles se cuadruplica: unos 35 millones de píxeles y 104 MB en bruto, para la misma hoja de papel.

La compresión recorta esas cifras enormemente —por eso una página escaneada suele ocupar unos cientos de kilobytes y no 26 MB—, pero no cambia las proporciones. Un escaneado a 600 DPI es aproximadamente cuatro veces el trabajo de uno a 300 DPI, haga lo que haga el compresor después, y un escaneado en color lleva aproximadamente tres veces las muestras de uno en gris.

Compáralo con la alternativa. La misma página escrita como texto es un flujo de contenido con instrucciones de dibujo: qué fuente, qué tamaño, qué caracteres, en qué coordenadas. Una página de prosa cuesta unos pocos kilobytes. Esa es toda la diferencia, y es la razón de que un informe de 40 páginas exportado desde un procesador de textos sea más pequeño que un escaneado de 4 páginas del mismo informe.

Para averiguar qué tipo de archivo tienes en realidad, contar páginas e información del archivo informa de los tamaños de página y de si hay capa de texto, y ¿este PDF está escaneado o es texto? cuenta la versión de dos segundos de la prueba.

Los dos ajustes que lo deciden todo

Resolución

La resolución solo significa algo en relación con el uso que se le vaya a dar al resultado. El texto impreso a 300 DPI es indistinguible del papel a la distancia del brazo; en una pantalla, donde estás mirando quizá de 100 a 150 píxeles por pulgada de página mostrada, la mitad de eso ya es invisible. Los 600 DPI son para reproducir detalle fino —una fotografía que piensas volver a imprimir, un grabado, una letra manuscrita que necesitas examinar— y son el ajuste equivocado para un documento de oficina, donde cuadruplican el archivo a cambio de un detalle que ningún lector verá jamás.

Modo de color

Cada píxel se guarda con cierta profundidad. El color completo conserva tres canales; la escala de grises conserva uno; el blanco y negro conserva un solo bit, encendido o apagado.

Después de comprimir, las proporciones no son exactamente 24 : 8 : 1 —el JPEG trata la información de color de forma más basta que el brillo, así que un escaneado en color suele estar más cerca del doble que del triple de uno en gris, y un escaneado en blanco y negro comprimido con los esquemas de fax y de dos niveles que admite PDF puede ser más pequeño que una veinteava parte—. La dirección es fiable aunque el factor exacto no lo sea.

Los menús de los escáneres rara vez usan estas palabras. Los modos «Documento», «Texto» o «Fax» suelen ser escala de grises o 1 bit; «Foto» es color a alta resolución. Si el tuyo ofrece un deslizador de calidad y nada más, el punto medio es casi siempre la respuesta correcta para el papeleo.

Arreglar el archivo que ya tienes

Un escaneado es el único tipo de PDF con el que la compresión funciona de forma fiable, porque un escaneado no es más que imágenes y las imágenes son donde están los bytes. El orden que le saca más partido:

1. Mira primero. Contar páginas e información del archivo, y luego divide el tamaño del archivo entre el número de páginas. Por encima de aproximadamente un megabyte por página tienes delante un escaneado en color de alta resolución con bastante margen. Por debajo de unos 150 KB por página queda muy poco que quitar.
2. Quita el color si no aporta nada. PDF a escala de grises convierte las páginas a gris, lo que elimina los canales de color y además le pone las cosas más fáciles al compresor después. Hazlo antes de comprimir, no después.
3. Comprime. Comprimir PDF descodifica cada imagen incrustada, la reduce a una resolución sensata para el tamaño al que se dibuja y la vuelve a codificar. Cómo funciona la compresión de PDF describe qué cambia cada modo. Si trabajas con una cifra fija, comprimir a 1 MB apunta directamente a ella.

Dos advertencias honestas sobre comprimir un escaneado en particular.

Los escaneados lo toleran peor que las fotografías. El JPEG descarta detalle donde el ojo es menos sensible y concentra sus errores alrededor de los bordes nítidos de alto contraste, que es exactamente lo que es la forma de una letra. Una foto de vacaciones a baja calidad se ve ligeramente blanda; un escaneado de una página con el mismo ajuste cría pelusa alrededor de las letras y empieza a parecer una mala fotocopia. Comprueba el resultado al 100 % antes de enviarlo, y por qué mi PDF se ve borroso cuenta qué estás mirando si ha salido mal.

No puedes recuperar lo que el escáner descartó. La compresión puede tirar el exceso de un escaneado en color a 600 DPI sin perder nada que fueras a notar al tamaño de lectura. Lo que no puede es devolverle detalle a un escaneado que se hizo a 150 DPI de entrada, y no hay ajuste en este sitio ni en ningún otro que lo haga.

Cuándo volver a escanear es sencillamente la respuesta correcta

Si todavía tienes el papel, volver a escanear con el ajuste correcto suele ser más rápido que pelearse con el archivo, y el resultado es mejor, porque los artefactos de compresión nunca llegaron a introducirse en lugar de introducirse y luego quitarse a medias.

Para el papeleo corriente: 300 DPI, escala de grises, escaneado directamente a un único PDF de varias páginas. Eso es pequeño, nítido, se imprime bien, mantiene legibles el lápiz y las firmas y no necesita más trabajo. Color solo cuando el color signifique algo.

Escanear cada página a su propio archivo y juntarlas después con unir PDF funciona perfectamente y a veces es la única opción que ofrece tu escáner, pero un escáner que pueda producir un solo documento directamente producirá normalmente uno más pequeño, porque comprime todo el trabajo con ajustes consistentes.

Las fotografías de páginas hechas con el móvil son el caso que hay que evitar si tienes elección. La iluminación desigual, un ligero ángulo y un fondo le dan al compresor más variación que conservar que la que le da un escáner plano, así que el archivo sale más grande y más difícil de leer. Si un móvil es todo lo que tienes, una aplicación de escaneo que corrija la perspectiva y umbralice la página es notablemente mejor que el carrete de fotos.

Tres cosas que conviene saber antes de decidir

El tamaño es lo de menos de lo que te cuesta un escaneado. Una página escaneada no contiene texto, así que el documento no se puede buscar, no se puede copiar de él, un lector de pantalla no lo puede leer en voz alta y se convierte a Word como una imagen. El OCR reconoce los caracteres y añade una capa de texto debajo de la imagen, lo que arregla todo eso, y hace el archivo ligeramente más grande en lugar de más pequeño, ya que el texto se añade a la imagen en vez de sustituirla. Esa herramienta se ejecuta en un servidor, así que el documento se sube para procesarlo; para un escaneado confidencial, eso es una decisión que hay que tomar a conciencia.

Los modos de blanco y negro más agresivos pueden cambiar los caracteres. Algunos escáneres comprimen la salida de 1 bit buscando formas repetidas y guardando una sola copia de cada una, lo cual es extremadamente eficiente y, cuando dos caracteres se parecen a la resolución escaneada, se ha documentado que sustituye uno por otro: un dígito que se convierte calladamente en otro dígito dentro de una tabla que nadie releyó. Si los números importan, no uses el ajuste de blanco y negro más pequeño, y compara la salida con el papel.

Guarda el original. Todos los pasos de aquí son de ida. Reducir la resolución, convertir a escala de grises y volver a comprimir descartan información de forma permanente, y el momento de descubrir que necesitabas la versión en color nunca es el momento que esperas.