Cómo eliminar páginas en blanco de un PDF escaneado

Una página en blanco escaneada rara vez es blanca: tiene fondo gris, puntos de polvo y una línea del rodillo. El detector renderiza cada página, elimina los puntos aislados, mide la proporción de píxeles oscuros y cuenta los caracteres de la capa de texto. La página solo se elimina si ambas comprobaciones la dan por vacía. El nivel de sensibilidad decide cuán «sucia» puede estar una hoja para seguir contando como limpia, y las páginas con una sola firma o un sello conviene protegerlas con reconocimiento de texto o revisarlas a mano.

Un montón de certificados de una cara pasó por el alimentador en modo dúplex y en el PDF una de cada dos páginas está vacía. O escaneaste un contrato en el que la mitad de las hojas están impresas por una sola cara, y de cuarenta páginas veinte están limpias. Enviarlo así da mala impresión, imprimirlo es un desperdicio y borrar páginas a mano es lento y propenso a errores.

Eliminar páginas en blanco encuentra esas hojas y las quita en una sola pasada. Pero «página en blanco» no significa lo mismo para el escáner que para una persona, y de cómo decide el detector depende que no se lleve también una página con una firma. Veamos cómo funciona, qué regulan sus ajustes y dónde conviene revisarlo.

De dónde salen las páginas en blanco de un PDF

El culpable más habitual es el modo dúplex: el alimentador captura las dos caras de cada hoja, y si el reverso está limpio, aparece una página vacía. En un montón de documentos de una cara, eso es la mitad del archivo.

La segunda causa son los separadores: hojas limpias entre documentos para cortar después el escaneo en partes, que nadie retira. La tercera, la exportación desde editores de texto: un salto de sección o de página sobrante al final produce una hoja blanca que no existía en el texto.

Hay una cuarta, y conviene recordarla antes de empezar: las páginas en blanco puestas a propósito. En libros y manuales cada capítulo empieza en la página impar, con un reverso vacío delante. En un documento para impresión a doble cara esas hojas sostienen la maquetación, y quitarlas desplaza los capítulos a páginas pares. Para archivos «para imprenta» es mejor eliminar páginas por número, no con el detector.

Por qué una página en blanco escaneada no es blanca

Si abres una hoja «vacía» de un escaneo y la amplías, no es blanca. El papel tiene un tono gris, hay puntos de polvo del cristal, junto al borde corre una línea fina del rodillo, y si el reverso estaba impreso, el texto invertido se transparenta a través del papel fino. Para un programa que busca píxeles puramente blancos, esa página está llena.

Por eso el detector no busca el blanco, sino que mide cuánto hay en la página más oscuro que el papel. Cada página se renderiza como imagen y se pasa a escala de grises. Después un filtro de mediana sustituye cada píxel por la mediana de sus vecinos: los puntos de polvo aislados y el ruido desaparecen, y las manchas continuas, letras y líneas permanecen. Luego se calcula la proporción de píxeles más oscuros que el umbral del papel: en un escaneo realmente vacío se acerca a cero; en una página con un solo párrafo es claramente mayor.

El filtro resuelve el problema principal de los escaneos: sin él, una hoja salpicada de basura menuda parecería llena y se quedaría en el archivo.

La segunda comprobación: la capa de texto

La imagen no es la única fuente. Si el PDF tiene capa de texto, en cada página se cuentan aparte los caracteres sin espacios. Esto importa en dos casos.

El primero, los documentos salidos de editores: una página con la sola línea «Anexo 2» casi no tiene tinta, pero contiene texto, y se conserva. El segundo, el contrario: una página con capa de texto que dice «Esta página se ha dejado en blanco intencionadamente» también se conserva, porque supera los caracteres que admite cualquier nivel de sensibilidad. Es justo lo que hace falta: esa página se puso a propósito.

Para que una página se elimine, las dos comprobaciones tienen que coincidir: menos tinta que el umbral y menos caracteres que el umbral. Basta con que una diga «llena» y la página se queda. Un escaneo sin texto reconocido no tiene caracteres, y la decisión se toma solo por la imagen.

Qué regulan los tres niveles de sensibilidad

El ajuste de sensibilidad fija los dos umbrales a la vez: cuánta superficie puede ocupar algo oscuro y cuántos caracteres se admiten para que la página siga contando como vacía. Cuanto más alto el nivel, más «sucia» puede estar una hoja para que el detector la dé por limpia.

Unas cifras orientativas: en el nivel medio es vacía una página con menos del uno por ciento de superficie más oscura que el papel y unos pocos caracteres como mucho en la capa de texto. El nivel bajo es el doble de estricto; el alto, el doble de permisivo. Una línea de texto pequeño en una hoja A4 ocupa bastante menos del uno por ciento, así que en el nivel alto un escaneo con una sola línea corta puede desaparecer.

De ahí la regla práctica. Empieza por el medio. Si quedan hojas grises vacías, sube el nivel. Si se perdió algo necesario, bájalo. Cada ejecución procesa el original desde cero, así que probar niveles no estropea nada.

El umbral en porcentaje para el ajuste manual

Debajo de los niveles hay un campo con un umbral en porcentaje; en la interfaz aparece como «relación mínima en blanco». Es la misma proporción de superficie expresada con un número: un umbral de 95 significa que la página es vacía si al menos el 95 por ciento está limpio, es decir, el oscuro no pasa del cinco por ciento. Cuanto mayor el número, más estricta la comprobación y menos páginas se eliminan.

Mientras no se toca el campo, no interviene, y el umbral viene del nivel de sensibilidad. En cuanto se escribe un valor, sustituye el umbral de superficie del nivel; el umbral de caracteres sigue viniendo del nivel. Conviene usarlo solo cuando los tres niveles no han servido: por ejemplo, un escaneo muy oscuro con un fondo de varios por ciento de la superficie que ni el nivel alto considera vacío. Entonces se baja el umbral por debajo del valor del nivel y esas hojas desaparecen.

También ocurre lo contrario: si la herramienta se niega a trabajar porque considera vacías todas las páginas y el umbral ya está al máximo, el mensaje de error sugerirá reducir la sensibilidad. El umbral ya no ayuda ahí.

«Mantener la primera página»

Un interruptor aparte protege la primera página aunque el detector la considere vacía. Sirve para portadas y hojas de título: en las carpetas escaneadas la primera suele ser casi limpia, con una sola inscripción o un sello, fácil de perder en el nivel alto. Con la protección activada se queda, y el resto se comprueba como de costumbre.

Las demás páginas no quedan cubiertas. Para conservar una hoja limpia en medio del documento, por ejemplo un separador antes de un anexo, habrá que devolverla después o eliminar las páginas en blanco a mano por número.

Paso a paso

1. Abre Eliminar páginas en blanco y sube un PDF. Procesa un archivo por ejecución: un montón de escaneos hay que unirlo antes en un solo documento. 2. Deja el nivel de sensibilidad medio para la primera pasada. Si la primera página es una portada, activa «mantener la primera página». 3. Inicia el procesamiento. Las páginas se comprueban una tras otra, así que en un escaneo largo el indicador avanza uniformemente en vez de pararse y saltar al final. 4. Descarga el resultado y revísalo como se describe más abajo antes de borrar el original.

Si el archivo tiene contraseña de apertura, la herramienta no lo aceptará: quítala primero con Desbloquear PDF y después elimina las páginas. Una protección que solo prohíbe imprimir o copiar no estorba. Un archivo dañado que no se abre, pásalo antes por Reparar PDF.

Cómo revisar el resultado

La herramienta no muestra la lista de páginas eliminadas, pero comprobar su trabajo lleva un minuto.

Primero mira el número de páginas. En un escaneo dúplex de documentos de una cara debe quedar justo la mitad: había cuarenta, quedan veinte. Si quedan diecinueve, una página con contenido se fue con las vacías y hay que encontrarla. Si quedan veintitrés, el detector dejó tres hojas vacías y conviene subir el nivel.

Después hojea el archivo por donde seguro había páginas en blanco: reversos de certificados, límites entre documentos, final del archivo. Las páginas vecinas deben ir seguidas, sin saltos. Fíjate sobre todo en las hojas con poco contenido: una firma, un sello, una línea con el número de anexo, una anotación a mano. Son las más cercanas al umbral.

Conserva el original hasta estar seguro del resultado. La herramienta no lo modifica: la eliminación se hace en un archivo nuevo.

Páginas que el detector puede eliminar de más

Todo detector automático tiene su zona de riesgo, y aquí está bien delimitada: páginas escaneadas con poca tinta y sin capa de texto.

• Una hoja con una sola firma o rúbrica: ocupa fracciones de un por ciento de la superficie, y el escaneo no tiene capa de texto.
• Una página con un sello o un timbre sin texto alrededor.
• La última página de un contrato, con solo la línea «Anexos: en 3 hojas» en letra pequeña.
• Un formulario con una sola casilla rellenada.
• Anotaciones claras a lápiz en una hoja casi vacía.

En el nivel bajo esas páginas casi siempre se conservan, en el medio normalmente también, en el alto pueden desaparecer. Si el documento tiene hojas así, usa el nivel bajo o dale al detector de antemano un segundo apoyo.

Ese segundo apoyo es la capa de texto. Si pasas el escaneo por PDF con OCR antes de la limpieza, el texto reconocido aparecerá en cada página con algo legible: el número de anexo, un sello con el nombre de la empresa, una línea en letra pequeña. Para el detector esa página dejará de estar vacía, haya la tinta que haya en la imagen. Las hojas realmente vacías no recibirán texto y seguirán eliminándose. A una firma sin una sola letra el reconocimiento no la salva; esas páginas revísalas a ojo.

Qué más cambia en el archivo

Eliminar páginas no se limita a que dejen de verse en el visor. La herramienta construye un documento nuevo con las páginas restantes, reasigna los enlaces internos y los marcadores a los números nuevos y descarta los objetos a los que ya nadie hace referencia. El contenido de las páginas eliminadas no queda en el archivo. Eso importa si la página «vacía» era en realidad un reverso transparentado con datos ajenos: tras el procesamiento ya no está.

La numeración impresa en las hojas, si la había, no se recalcula: es solo texto dentro de una imagen. Si tras la limpieza hace falta numeración continua, ponla de nuevo con otra herramienta.

En qué orden procesar un montón de escaneos

Eliminar páginas en blanco rara vez es la única operación sobre un escaneo. Normalmente también hay que montarlo, girarlo, reconocerlo y comprimirlo, y el orden de esos pasos influye en el resultado.

Monta el archivo antes de la limpieza, no después. Si unes los documentos primero, las hojas vacías se van de todas las partes en una sola ejecución, sin repetir el ajuste para cada archivo. Girar las páginas invertidas vale en cualquier momento: el detector mira la proporción de tinta, no la orientación.

Pon el reconocimiento de texto antes de la limpieza si el documento tiene páginas con poco contenido, y después si no las tiene. En el primer caso la capa de texto protegerá las hojas de firmas y los sellos; en el segundo irá más rápido, sin perder tiempo en páginas vacías.

Deja la compresión para el final. Recalcula las imágenes de las páginas, y cada página sobrante cuesta entonces tiempo y espacio. Además, tras una compresión fuerte cambia el tono del fondo gris, y el umbral que valía para el original puede comportarse de otro modo. El detector debe ver el archivo tal como salió del escáner.

La secuencia para un montón normal de documentos de una cara: unir las partes, quitar las páginas en blanco, girar si hace falta, reconocer el texto, comprimir antes de enviar. Con hojas de firmas y formularios, el reconocimiento pasa al segundo puesto, antes de la limpieza.

Cuándo es mejor eliminar por número en lugar de usar el detector

La automatización es buena para escaneos con muchas páginas igual de vacías. En tres casos el método manual es más fiable.

El primero, un archivo para impresión a doble cara, donde los reversos vacíos están a propósito. El segundo, un documento con varias páginas casi vacías pero necesarias, como hojas de firmas o formularios con una sola casilla. El tercero, cuando las páginas vacías son dos o tres y se sabe dónde están. Entonces abre Quitar páginas e indica los números, o reordena y quita lo sobrante a ojo en Organizar PDF, donde cada página se ve antes de desaparecer.

Y si aún no has escaneado, mejor no crear el problema: para documentos de una cara desactiva el modo dúplex en el escáner, y los reversos vacíos no llegarán al archivo. Si escaneas con el teléfono, Escanear a PDF reúne solo las fotos que hiciste, y por construcción no tiene páginas en blanco.