Mejores prácticas para leer PDFs en Laravel

〜¿Cómo deberíamos combinar pdftotext, OCR y la IA generativa?〜

1. Conclusión primero: la mejor práctica de “tres capas”

Si priorizas la precisión,
la mejor práctica para leer PDFs en Laravel puede resumirse en tres capas:

1. Determinar el tipo de PDF

   • ¿Es un PDF con texto incrustado?
   • ¿Un PDF escaneado (sin texto seleccionable)?
   • ¿O un híbrido donde conviven ambos?

2. Separar la capa de extracción

   • PDFs con texto → extraer con herramientas tipo pdftotext (p. ej., spatie/pdf-to-text)
   • PDFs escaneados → OCR (p. ej., Tesseract + wrapper en PHP / LaraOCR, o servicios cloud OCR)

3. Usar IA generativa para estructurar, resumir y extraer campos

   • Pasar el texto extraído a un LLM para interpretarlo y estructurarlo
   • Cosas como “extraer campos de una factura,” “extraer historial de trabajo de un CV,” o “resumir” se hacen aquí

La idea clave es:

“Leer caracteres” = pdftotext / OCR
“Entender y organizar el significado” = IA generativa

Haz explícita esta separación.
Si mezclas todo en una sola capa:

• Procesamiento lento
• Coste alto
• Más “alucinaciones” de la IA — respuestas plausibles pero incorrectas

…lo cual reduce la precisión.

A continuación veremos las fortalezas relativas de cada enfoque
y cómo combinarlos de manera concreta en Laravel.

2. Por qué leer PDFs es difícil y cómo distinguir los “tipos”

2-1. Dos tipos principales de PDF

Aunque se vean iguales en pantalla, internamente pueden ser muy distintos:

1. PDFs con texto incrustado (digitales)

   • Generados desde sistemas web, Word/Excel, LaTeX, etc.
   • El texto está incrustado como “objetos de texto”
   • Puedes seleccionar y copiar texto

2. PDFs imagen (PDFs escaneados)

   • Creado escaneando papel y agrupando imágenes
   • Internamente son solo imágenes: no hay texto incrustado
   • No puedes seleccionar texto

También hay muchos PDF híbridos, por ejemplo:

• Solo la portada es una imagen
• Las páginas interiores son PDF de texto

2-2. Primero agrega una verificación “¿es texto o no?”

En Laravel, un flujo robusto sería:

1. El usuario sube un PDF
2. Intentar extraer texto con spatie/pdf-to-text
3. Juzgar según la cantidad de texto extraído
   • Si hay suficiente → “PDF de texto”
   • Si casi no hay → “PDF escaneado” → OCR

use Spatie\PdfToText\Pdf;

$text = Pdf::getText(storage_path('app/'.$path));

if (mb_strlen(trim($text)) < 50) {
    // Muy pocos caracteres → probablemente escaneado
} else {
    // Tratar como PDF de texto
}

spatie/pdf-to-text usa internamente pdftotext,
y es un estándar de facto para extraer texto en Laravel.

3. Enfoque ①: pdftotext (para PDFs con texto)

3-1. Cómo funciona y uso típico en Laravel

pdftotext es una herramienta CLI incluida en Poppler.
Lee los objetos de texto de un PDF y produce texto plano.

En Laravel, el paquete estándar es:

• spatie/pdf-to-text
  • Wrapper simple de pdftotext
  • Muy común en tutoriales de Laravel

3-2. Ventajas

1. Precisión casi del 100% en PDFs de texto

• Lee texto incrustado directamente → prácticamente sin errores.
• A diferencia del OCR, no “adivina” caracteres.

2. Rápido y barato

• Procesamiento liviano
• Ideal para grandes volúmenes
• Sin costes de API

3. Privacidad fuerte (on-premise)
No hay necesidad de enviar datos fuera.

3-3. Desventajas

• Devuelve muy poco o nada para PDFs escaneados
• Se pierde el layout fácilmente (tablas, columnas)

En resumen:

Es “rápido y preciso” para PDFs de texto,
pero no preserva estructura.

4. Enfoque ②: OCR (para PDFs escaneados)

4-1. OCR vs extracción de texto

• Extracción de texto: lee textos incrustados
• OCR: interpreta caracteres desde una imagen

4-2. Motores OCR usados con Laravel

1. Tesseract OCR

• Open source
• Soporta muchos idiomas
• Wrappers PHP:
  • thiagoalessio/tesseract_ocr
  • LaraOCR

2. Paquetes Laravel “todo en uno”

• NilGems/laravel-textract (pdftotext + Tesseract)
• laravelsmartocr/laravel-smart-ocr (OCR + AI + templates)

4-3. Ventajas del OCR

• Puede leer PDFs escaneados y fotos
• Puede preservar parcialmente el layout
• Indispensable para contratos escaneados, recibos, etc.

4-4. Desventajas

• Nunca es 100% perfecto
• Lento y pesado
• No entiende “significado”, solo transcribe

Por eso se combina con IA o IDP (Textract, Document AI, Form Recognizer).

5. Enfoque ③: ¿Dónde encaja la IA generativa?

5-1. Separación clara de roles

OCR = convertir imágenes en texto
IA (LLM) = entender y estructurar significado

OCR produce cadenas crudas;
el LLM decide:

• Qué campo es cada dato
• Estructura de factura, CV, contrato, etc.

5-2. Fortalezas de la IA generativa

• Robusta ante errores del OCR
• Excelente para estructurar datos (facturas, CVs, resúmenes)
• Funciona bien con documentos no estructurados

5-3. Debilidades

• Alucinaciones → necesita restricciones y validación
• Costes altos si le envías PDFs enteros
• No debe usarse como “fuente primaria” de extracción

Por eso:

Extracción = pdftotext / OCR
Comprensión = LLM

6. Arquitectura recomendada en Laravel

6-1. Arquitectura general

1. Subida y metadatos
2. Jobs de extracción
   • Detección de tipo
   • Extracción con pdftotext o OCR
3. Job de IA para estructurar
4. UI de revisión humana

6-2. Uso de pdftotext

apt install poppler-utils
composer require spatie/pdf-to-text

$text = Pdf::getText($pdfPath);

6-3. Uso de OCR (Tesseract)

apt install tesseract-ocr tesseract-ocr-jpn
composer require thiagoalessio/tesseract_ocr

$text = (new TesseractOCR($imgPath))
    ->lang('jpn', 'eng')
    ->psm(3)
    ->run();

6-4. Estructuración con IA (ejemplo: factura)

$prompt = <<<EOT
Eres un asistente para extraer datos de facturas.
...
=== TEXTO ===
{$plainText}
EOT;

Notas como “no inventar datos” reducen alucinaciones.

7. Combinaciones recomendadas por caso de uso

7-1. CVs y etiquetado automático

• Extracción: pdftotext
• IA: extraer historial, skills, etc.
• Búsqueda: Elasticsearch / Meilisearch

7-2. Facturas, presupuestos, recibos

• Extracción: pdftotext u OCR según tipo
• IA: estructuración
• Campos críticos → revisión humana o reglas

Considerar IDP si se requiere máxima precisión.

7-3. Contratos, reportes, políticas

• Extracción: pdftotext
• IA: resumen, clasificación, extracción de riesgos

8. Consejos operativos para maximizar precisión

1. Guardar PDF original → texto extraído → datos estructurados
2. Validación automática de OCR
3. Limitar la entrada al LLM
4. Mantener la idea: IA = estructuración, no extracción básica

9. Resumen

• Tres capas es la mejor práctica
• pdftotext para PDFs de texto
• OCR para PDFs escaneados
• LLM para entender y estructurar
• Validación + separación de capas = más precisión y menos costes

Con este diseño evitarás cuellos de botella y falta de precisión
al implementar lectura de PDFs en tu aplicación Laravel.

Enlaces de referencia (Inglés / Japonés)

• spatie/pdf-to-text – extracción de texto con pdftotext
• Uso de pdftotext en Laravel (japonés)
• Tutorial: PDF → texto con Laravel 12
• LaraOCR – wrapper de Tesseract para Laravel
• thiagoalessio/tesseract_ocr – wrapper PHP
• NilGems/laravel-textract
• Descripción de Tesseract y uso desde PHP (japonés)
• Diferencias entre extracción de datos, OCR e IDP
• Extracción de datos en 2025: LLMs vs OCR