I need an OCR machine that can extract all text from a PDF file. We often receive files in PDF format that are essentially just images without text, which is why our own “PDF reader” in n8n doesn’t always work. I need it to do that.
It’s about receiving large annual reports with lots of columns in PDF format, and we need data from some of those columns.
For example, like in the image, where we need to use these columns as JSON.
I am pretty new, so explain in it to me, like I’m a child 
Since it’s an image you need an OCR node as you said. n8n Does not have an official node but there is a community one: n8n-nodes-tesseractjs
After extracting the text from image you can use different methods to filter them. I always use a ‘Code’ node to do so but you can use an AI node too if you don’t mind spending extra tokens.
In my opinion Mistral AI’s OCR tool is the best out there right now. Ideally you would use their API in a HTTP Request node to do your ocr transformation. If the data is sensitive, you can get a special license from them to use a private on prem instance for better privacy
If you need an example then I can build a demo
If you just need to turn those image‑based PDFs into actual text/structured data (like JSON), try Mathpix: https://mathpix.com/pdf-conversion. It does OCR on scanned PDFs and can extract tables/columns cleanly, then you can grab the data as JSON for n8n. Way less painful than trying to hack it with a basic PDF reader.
Podemos usar los modelos de visión de OpenAI/Ollama para analizar la imagen, eso extraerá todo. y luego podemos mantener los datos requeridos.
Para tablas densas en PDFs de informes anuales, los modelos de visión (GPT-4o o Gemini Flash) funcionan bien, pero la clave está en el prompt. Pasa la imagen con algo como: "Extrae todos los datos de esta tabla y devuelve un array JSON donde cada fila es un objeto con los encabezados de columna como claves." - esto obtiene de forma fiable una salida estructurada sin post-procesamiento. Para PDFs de varias páginas, divide primero el archivo en imágenes de páginas individuales usando el nodo Extract Document Content o un nodo Code, luego ejecuta cada página a través del modelo de visión y combina los resultados al final.
La API de Mistral OCR tiene un nivel gratuito (a través de su consola de API en console.mistral.ai). Para una opción completamente gratuita y auto-alojable, el nodo comunitario n8n-nodes-tesseractjs funciona bien para PDFs basados en imágenes — puedes combinarlo con un nodo Convert to File para pasar el binario. Si prefieres una API en la nube con un nivel gratuito generoso, Google Document AI también es una opción, pero la configuración es más compleja que el enfoque de una única llamada HTTP de Mistral.
