Hemos escaneado y capturado unas 140.000 páginas de datos catastrales para Valueguard — en total alrededor de 6 millones de filas de datos. El encargo se completó en un mes.
La verdadera dificultad no estaba en el volumen sino en los códigos UUID. Un UUID es una cadena aleatoria de 36 caracteres y, a diferencia del texto corrido, no ofrece diccionario, contexto ni patrón alguno que pueda delatar un carácter mal leído. Un solo carácter erróneo inutiliza el código entero — y el error es invisible en los propios datos: solo aparece cuando el registro ya no encuentra correspondencia.
Por eso todo el material se capturó dos veces, con dos programas de OCR independientes, y los resultados se compararon entre sí. Cuando ambas lecturas coinciden en una cadena aleatoria de 36 caracteres, la probabilidad de que hayan cometido exactamente el mismo error es muy baja. Donde difieren, en cambio, se sabe con precisión dónde está el problema — y cada una de esas diferencias se revisó visualmente contra la imagen escaneada.
A eso se suma una comprobación estructural de cada página: el número de filas y columnas por página se comparó con el valor esperado, de modo que las páginas con estructura anómala saltaban automáticamente. En un lote revisado así, algo más de una fila de cada mil se apartó para su inspección.
Más información sobre nuestro servicio de conversión OCR de registros y tablas — capturamos registros de direcciones, datos inmobiliarios y material tabular a Excel, a una base de datos o a PDF con texto buscable.
