Tras la publicación de la contabilidad desaparecida del PP desde 1990 hasta 2011 muchos nos lanzamos a echar un vistazo.

Tras descargar los .zip, analizarlos y comprobar que estaban limpios de virus, etc. descubrimos en su interior archivos pdf llenos de imágenes escaneadas, nada de texto puro y duro sobre el que hacer búsquedas.

Iba a hacer yo mismo la conversión a texto y facilitarla a varios periodistas, pero me temo que me he topado con un problema legal interesante, en los pdf aparecen DNI, que una vez pasado a texto se convierten en un datos de carácter personal amparado por la LOPD (y no dispongo del tiempo necesario para leerme todo y limpiarlo), con lo que no puedo distribuir el resultado de la conversión, pero sí contaros como podéis hacerlo vosotros mismos en casa o en la redacción de un periódico.

Existen dos métodos para hacer esto:

1.- Método Barato reciclando un viejo script en Linux.

Consiste en tener una máquina Linux, instalarnos el OCR de Google y ejecutar un script.

Algunas distribuciones Linux lo traen como paquete, también se puede descargar de:

https://code.google.com/p/tesseract-ocr/

Descargados y descomprimidos los zip en una ruta del disco, creamos el siguiente script, modificando la ruta donde están nuestros archivos descomprimidos y ejecutamos:

#!/bin/bash

recursiverm() {
  for d in *; do
  if [ -d $d ]; then
    (cd $d; recursiverm)
  fi
  for a in *.pdf; do
    echo $a
    pdftoppm «$a» -f 1 -r 300 «$a».ppm;

    for b in *.ppm; do
      tesseract «$b» «$b» -l spa -psm 1;
      rm «$b»;
    done

  done
done
}

(cd /home/soydelbierzo/Descargas/Contabilidad; recursiverm)

Nota: No descarto que haya algún fallo en el script, se está ejecutando ahora mismo para comprobarlo. Editado: El script funciona correctamente y reconoce bastante bien el texto

Pero como esto no es asequible para mucha gente, hay una opción B:

2.- Comprar una aplicación que haga el trabajo por nosotros, en este caso Nitro Pro 8 que he probado con varios de los pdf y lo borda.

Podéis descargarlo de aquí http://www.nitropdf.com/es/try

Solo funciona con Windows, permite usarlo gratis 14 días, luego os tocará pagar 114€ por seguir usándolo.