Cómo convertir un PDF a Markdown conservando títulos y estructura

Tienes un PDF y necesitas reutilizar su contenido: llevarlo a una web, mantenerlo bajo control de versiones, actualizarlo y volver a publicarlo o convertirlo a otros formatos. Markdown es un buen formato intermedio para eso: al ser texto plano es flexible, pero conserva estructura como los títulos y los enlaces.

Por qué Markdown es un buen destino

Es texto plano. Se abre en cualquier editor, en los sistemas de control de versiones se pueden ver las diferencias línea a línea y buscar y reemplazar en lote es fácil.

Lleva estructura. Niveles de título, listas, énfasis en negrita y cursiva, enlaces, bloques de código y tablas: todo se expresa con marcas sencillas.

Se convierte con facilidad. Existen herramientas maduras para pasar de Markdown a HTML, Word, PDF, presentaciones y más.

Es compatible con los generadores de sitios estáticos. La mayoría de sistemas de blog y de documentación leen Markdown directamente.

Paso 1: Comprueba si tu PDF es apto para la conversión

No todos los PDF se convierten igual de bien. Comprueba dos cosas.

¿Tiene capa de texto?

Abre el PDF e intenta seleccionar un párrafo con el ratón. Si el texto se puede seleccionar, hay capa de texto; si no, la página es solo una imagen.

Los documentos escaneados no tienen capa de texto y no hay nada que el conversor pueda extraer. Primero tienes que aplicar OCR.

Tras el OCR la conversión funciona, pero mantén las expectativas bajas: en la capa de texto que añade el OCR, la información de tipografía y tamaño es artificial, así que las inferencias estructurales como la detección de títulos son débiles.

¿Cómo de compleja es la maquetación?

| Maquetación | Calidad de conversión | |---|---| | Una columna, texto plano | Muy buena | | Informe con títulos | Buena | | Tablas simples | Buena | | Maquetación a dos columnas | Débil, el orden se puede mezclar | | Notas al margen, cuadros | Débil | | Tablas complejas | Débil | | Diseño de revista o folleto | Mala |

Las maquetaciones a varias columnas son el mayor problema: el conversor tiene que deducir el orden de lectura del texto a partir de la posición y, en una página a dos columnas, puede leer las líneas en horizontal de izquierda a derecha y entrelazar el texto de ambas columnas.

Paso 2: Haz la conversión

Abre la herramienta de conversión de PDF a Markdown y sube tu archivo. El proceso se ejecuta en tu navegador; tu documento no viaja al servidor.

El trabajo del conversor consiste en extraer estructura semántica de las instrucciones de dibujo del PDF:

• Agrupa los fragmentos de texto en líneas y párrafos.
• Deduce los niveles de título mirando el cuerpo de letra y el grosor.
• Detecta las viñetas y los números y forma listas.
• Convierte las anotaciones de enlace en enlaces de Markdown.
• Intenta detectar las estructuras de tabla.

La mayoría de esos pasos son inferencias, así que el resultado no será perfecto sino "un buen punto de partida".

Paso 3: Revisa la salida

Abre el Markdown resultante en un editor y comprueba en este orden.

Jerarquía de títulos

Es lo que más suele necesitar corrección. Comprueba:

• ¿Los títulos están en el nivel correcto? (# H1, ## H2, ### H3)
• ¿Se han saltado niveles? (pasar de H1 directamente a H3)
• ¿Alguna frase destacada en negrita se ha convertido en título por error?
• ¿Se ha saltado algún título real?

Corregirlo es fácil —solo cambias el número de #—, pero antes hace falta una lectura de principio a fin.

Integridad de los párrafos

En un PDF, un párrafo está repartido en varias líneas y el conversor tiene que unirlas. Problemas:

Partición con guion al final de línea. Las palabras partidas con guion en la maquetación pueden quedar sin unir en Markdown. Búscalas en el texto y corrígelas.

División prematura de párrafo. Un párrafo puede haber quedado partido en dos.

Transiciones de página. Si un párrafo se reparte entre dos páginas, puede haberse colado en medio el número de página o el texto del pie.

Encabezados, pies y números de página

En los PDF hay elementos que se repiten arriba y abajo de cada página: el título del documento, el nombre de la sección, el número de página, el aviso de copyright.

El conversor puede tomarlos por contenido e incluirlos en el Markdown. El resultado son líneas del tipo "Informe Anual 2025 | 47" que se repiten cada pocos párrafos.

Limpieza: como esas líneas se repiten con regularidad, se pueden borrar en lote en un editor de texto con "reemplazar todo" o con una expresión regular.

Listas

Las listas con viñetas y numeradas suelen pasar bien. Qué comprobar:

• ¿Son correctos los niveles de sangrado de las listas anidadas?
• ¿Las listas numeradas empiezan con los números correctos?
• ¿Algunos elementos han salido como párrafos?

Tablas

La sintaxis de tablas de Markdown es simple y tiene límites:

| Encabezado 1 | Encabezado 2 |
|---|---|
| Celda | Celda |

Esta estructura da por supuesta una rejilla plana. No puede expresar:

• Celdas combinadas (colspan/rowspan)
• Tablas anidadas
• Formato multilínea dentro de una celda
• Estilos más allá de la alineación de celda

Las tablas simples suelen pasar bien. En las complejas tienes dos opciones: simplificarlas a mano o escribir esa tabla en HTML (la mayoría de procesadores de Markdown dejan pasar el HTML).

Enlaces

Los hipervínculos a direcciones web suelen conservarse:

[texto del enlace](https://ejemplo.com)

Los enlaces internos, en cambio, pierden su sentido: en Markdown no existe el concepto de página. Hay que convertirlos en enlaces a títulos (#ir-al-titulo).

Imágenes

El comportamiento con las imágenes varía según la herramienta:

• Algunas extraen las imágenes como archivos aparte y las referencian en el Markdown.
• Otras se saltan las imágenes y dejan solo un marcador.
• Otras las incrustan como base64 (lo que agranda mucho el archivo).

Si las imágenes son importantes, puede que tengas que hacer una extracción de imágenes aparte y colocarlas a mano.

Paso 4: Limpieza y edición

Lista típica de limpieza tras la conversión:

1. Borra las repeticiones de encabezado y pie. Se hace rápido con reemplazo en lote.
2. Corrige los niveles de título. Deja la jerarquía coherente.
3. Une las palabras partidas con guion.
4. Limpia los saltos de línea innecesarios. Las divisiones dentro de un párrafo.
5. Revisa las tablas.
6. Prueba los enlaces.
7. Corrige las referencias a imágenes.

Trabajar con una previsualización en el editor facilita la tarea: la mayoría de editores de Markdown muestran el código y la vista previa uno al lado del otro.

Cuándo Markdown no es el destino correcto

Si el diseño visual importa. Markdown no transporta maquetación ni diseño. La identidad visual de un folleto o de una página de revista se pierde por completo.

Si las tablas complejas son el núcleo. El soporte de tablas de Markdown es limitado.

Si el documento solo se va a leer. El PDF ya es un formato legible. La conversión tiene sentido cuando quieres reutilizar el contenido.

Si hay fórmulas y notaciones especiales. Las fórmulas matemáticas están en el PDF como dibujo; llegan a Markdown como texto plano y pierden todo el sentido. Si usas un dialecto de Markdown con soporte de LaTeX, tendrás que reescribir las fórmulas a mano.

Escenarios de uso frecuentes

Migrar documentación. Un manual de usuario antiguo está en PDF y hay que llevarlo a un sitio de documentación moderno. Markdown es el formato natural de los generadores de sitios estáticos.

Republicar contenido. Convertir un informe en una entrada de blog.

Ponerlo bajo control de versiones. Si quieres seguir los cambios de un documento, el PDF es un archivo binario y no permite ver diferencias. Markdown es texto plano y cada cambio se ve línea a línea.

Generar varios formatos. Desde una única fuente en Markdown puedes producir HTML, PDF, Word y EPUB.

Alimentar herramientas de inteligencia artificial. Como Markdown es texto plano con la estructura conservada, es mejor entrada que un PDF en bruto al trabajar con modelos de lenguaje.

En resumen

La conversión de PDF a Markdown consiste en extraer estructura semántica de instrucciones de dibujo, y esa extracción se basa en conjeturas. En documentos ordenados a una columna el resultado es bueno; en maquetaciones a varias columnas, tablas complejas y páginas muy diseñadas se debilita. En los PDF escaneados hace falta OCR antes. Considera la conversión un punto de partida, no un final: corregir los niveles de título, limpiar las líneas repetidas de encabezado y pie, unir las palabras partidas con guion y revisar las tablas son los pasos estándar de limpieza. Al final tendrás una fuente flexible, que puedes poner bajo control de versiones, editar con facilidad y convertir a muchos formatos.