<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>OCR on Sprint Judicial</title><link>https://blog.sprintjudicial.com/tags/ocr/</link><description>LegalTech | Código | Justicia Digital</description><generator>Hugo</generator><language>en-us</language><managingEditor>arbe.94@hotmail.com (Daniel Arbelaez Alvarez)</managingEditor><webMaster>arbe.94@hotmail.com (Daniel Arbelaez Alvarez)</webMaster><lastBuildDate>Sun, 15 Nov 2026 10:00:00 -0500</lastBuildDate><atom:link href="https://blog.sprintjudicial.com/tags/ocr/index.xml" rel="self" type="application/rss+xml"/><item><title>Transcribir y subrayar: lo que aprendí sacando datos de tutelas con OCR y NER</title><link>https://blog.sprintjudicial.com/2026/11/15/sherlock-docs-ocr-ner-tutelas/</link><pubDate>Sun, 15 Nov 2026 10:00:00 -0500</pubDate><author>arbe.94@hotmail.com (Daniel Arbelaez Alvarez)</author><guid>https://blog.sprintjudicial.com/2026/11/15/sherlock-docs-ocr-ner-tutelas/</guid><description>Sacar los datos de una tutela son dos problemas distintos, leer bien el documento y reconocer qué es cada dato, y el segundo no puede salir mejor que el primero. Piensa en un acta escrita a mano que hay que pasar a limpio. Primero alguien la transcribe letra por letra, y después toma tres resaltadores y subraya en amarillo quién pide, en verde contra quién y en azul la fecha. Si en la transcripción una &amp;amp;ldquo;M&amp;amp;rdquo; quedó como &amp;amp;ldquo;N&amp;amp;rdquo;, el subrayado sale mal aunque los colores estén en su sitio. Con Sherlock-docs, la herramienta que lee tutelas y hábeas corpus para sacar sus datos, tuve que aprender a separar esos dos trabajos, porque cada uno falla a su manera.
La transcripción El primer trabajo es el OCR, el reconocimiento óptico de caracteres, que convierte la imagen de una página en texto. Algunas tutelas llegan como PDF que ya traen su texto adentro, y para esas no hace falta leer ninguna imagen. Por eso el sistema revisa página por página. Si una página trae al menos 50 caracteres de texto propio, lo toma tal cual con PyMuPDF, una biblioteca que lee PDF. Si no, la manda al OCR.
Ahí hay dos motores libres de OCR. Cuando el escaneo es bueno lo lee Tesseract, y si su confianza en lo que leyó baja del 70 %, el sistema lo vuelve a intentar con PaddleOCR. Cuando el escaneo está degradado va directo a PaddleOCR. Aun así, la ficha …</description><enclosure url="https://blog.sprintjudicial.com/img/2026-11-15-sherlock-docs-ocr-ner-tutelas/header.jpg" length="93637" type="image/jpeg"/></item></channel></rss>