Rescatar el contenido de un PDF: ¿Markdown, Word o texto plano?

Necesitas reutilizar el contenido de un PDF: actualizarlo y publicarlo, llevarlo a una web, cargarlo en un sistema o simplemente sacar su texto. Las opciones de formato de destino son Markdown, Word, texto plano y HTML, y la elección correcta depende de qué vayas a hacer con el contenido.

Resumen de los cuatro destinos

Markdown: texto plano que lleva estructura con marcas sencillas. Títulos, listas, enlaces, tablas simples.

Word (.docx): formato de documento rico. Intenta reconstruir la maquetación.

Texto plano (.txt): solo caracteres. Sin ninguna estructura.

HTML: el formato de documento de la web. Puede llevar estructura y estilos ricos.

Tabla comparativa

| Criterio | Markdown | Word | Texto plano | HTML | |---|---|---|---|---| | Jerarquía de títulos | Sí | Sí | No | Sí | | Listas | Sí | Sí | No (queda lo visual) | Sí | | Tablas simples | Sí | Sí | No | Sí | | Tablas complejas | No | Sí | No | Sí | | Maquetación visual | No | En parte | No | En parte | | Imágenes | Por referencia | Incrustadas | No | Por referencia | | Apto para control de versiones | Muy bueno | Malo (binario) | Muy bueno | Bueno | | Facilidad de edición manual | Muy fácil | Fácil | Muy fácil | Media | | Riesgo de salir defectuoso | Bajo | Alto | Ninguno | Medio | | Generar otros formatos después | Muy fácil | Medio | Difícil | Fácil |

Escenario 1: llevar un manual antiguo a un sitio de documentación

Vas a pasar a una plataforma de documentación moderna un manual de usuario que está en PDF.

Ganador: Markdown.

Casi todas las plataformas de documentación (generadores de sitios estáticos, sistemas wiki, portales para desarrolladores) usan Markdown como formato nativo.

Ventajas adicionales:

Control de versiones. A medida que el manual se actualice podrás seguir los cambios. Markdown es texto plano; cada cambio se ve línea a línea. Un archivo de Word es un formato binario y no permite ver diferencias.

Salida múltiple. Desde una única fuente en Markdown puedes generar páginas web, PDF e incluso EPUB.

Trabajo en equipo. Los miembros del equipo pueden proponer cambios, revisarlos y combinarlos.

Después de convertir hará falta limpieza —niveles de título, pies repetidos, palabras partidas con guion—, pero el resultado es la estructura más sostenible a largo plazo.

Escenario 2: editar un contrato y volver a hacerlo PDF

El texto va a cambiar, la maquetación debe conservarse y al final volverá a ser un PDF.

Ganador: Word, pero con cuidado.

Este es el escenario en el que la conversión a Word es realmente adecuada: la maquetación visual importa y el resultado volverá a ser un documento paginado.

Pero entra sabiendo el riesgo. La conversión a Word intenta reconstruir la maquetación y esa reconstrucción se basa en conjeturas:

• Se crean cuadros de texto, marcos y columnas.
• Se imita la alineación con tabulaciones y espacios.
• Las tablas se montan con estructuras de celda estimadas.

A primera vista el resultado parece correcto. Pero en cuanto empiezas a editar todo se descoloca: añades una palabra y la tabla se rompe, borras una línea y los cuadros de texto se solapan.

El defecto es invisible, y ese es el aspecto más traicionero de la conversión a Word.

En documentos simples a una columna el resultado suele ser bueno. En maquetaciones complejas a veces es más rápido montar el documento desde cero.

Escenario 3: solo quiero el texto

Quieres leer, buscar o pegar en algún sitio el contenido de un informe.

Ganador: texto plano.

Es la opción más subestimada y tiene una ventaja importante: no hace ninguna inferencia estructural, así que tampoco hace inferencias erróneas.

En la conversión a Markdown, los títulos pueden salir con el nivel equivocado, las listas se pueden mezclar y las tablas se pueden romper. En texto plano no existe ese riesgo: solo llegan los caracteres.

Añadir después la estructura a mano a veces es más rápido que corregir la estructura mal añadida. En documentos cortos eso es especialmente cierto.

Otra ventaja del texto plano: no incluye ningún ruido. En las conversiones a Markdown y HTML, la herramienta a veces produce marcas de más, títulos vacíos o líneas de tabla defectuosas.

Escenario 4: poner el contenido en una página web con tablas importantes

Un documento técnico con tablas complejas.

Ganador: HTML.

La sintaxis de tablas de Markdown da por supuesta una rejilla plana y no puede expresar:

• Celdas combinadas (colspan, rowspan)
• Tablas anidadas
• Formato multilínea dentro de una celda
• Alineación y estilos detallados

HTML puede transportar todo eso.

El precio: el HTML generado a partir de un PDF suele ser muy sucio. Para conservar la fidelidad visual, los conversores añaden estilos en línea a cada fragmento de texto, producen montones de <div> y <span> y usan posicionamiento absoluto. El resultado es un amasijo de código difícil de editar.

Hace falta limpieza: quitar las etiquetas innecesarias, llevar los estilos al CSS y usar etiquetas semánticas (<h2>, <p>, <table>).

También es posible un enfoque mixto: convierte el texto a Markdown y escribe solo las tablas complejas en HTML. La mayoría de procesadores de Markdown dejan pasar el HTML en línea.

Escenario 5: alimentar un documento a una herramienta de inteligencia artificial

Vas a pasarle un informe largo a un modelo de lenguaje.

Ganador: Markdown.

Las razones:

La estructura se conserva. La jerarquía de títulos ayuda al modelo a entender la organización del documento.

Hay poco ruido. La maraña de etiquetas del HTML ocupa espacio innecesario. El texto en bruto de un PDF, por su parte, está lleno de repeticiones de encabezado y pie.

Es eficiente. El mismo contenido ocupa bastante menos que en HTML.

La limpieza tras la conversión también ayuda aquí: borrar los números de página y los pies repetidos reduce el ruido que distrae innecesariamente al modelo.

Escenario 6: cargar el contenido en una base de datos

Vas a extraer información estructurada.

Ganador: depende, pero probablemente un enfoque específico.

Si el PDF consiste sobre todo en tablas, usar directamente una herramienta de extracción de tablas es mejor que pasar por Markdown; obtienes el resultado directamente como Excel o CSV.

Si vas a extraer datos estructurados de un documento de mucho texto, Markdown es un buen paso intermedio: la estructura se conserva y después puedes segmentar por títulos.

Comparación de riesgos

Cada formato tiene su propia forma de fallar:

| Formato | Fallo típico | |---|---| | Markdown | Niveles de título erróneos, tablas rotas, ruido de encabezados | | Word | Estructura aparentemente correcta que se desmonta al editar | | Texto plano | Estructura totalmente perdida (un resultado esperado) | | HTML | Código excesivamente sucio, exceso de estilos en línea |

Lo que hay que tener en cuenta: el fallo de Word es invisible, el de los demás es visible. En Markdown ves enseguida una tabla rota; en Word solo descubres el problema cuando empiezas a editar.

Requisitos previos comunes

Conviertas al formato que conviertas:

Tiene que haber capa de texto. En los PDF escaneados hace falta OCR antes. Si el texto se puede seleccionar, hay capa.

Un PDF etiquetado da un resultado mucho mejor. Si la información estructural del documento está en el archivo, la conversión deja de ser una conjetura y pasa a ser una correspondencia directa.

Las maquetaciones a varias columnas son problemáticas. La estimación del orden de lectura puede fallar y los textos pueden entrelazarse.

Las imágenes hay que tratarlas aparte. La mayoría de conversores se saltan las imágenes o dejan un marcador.

Resumen de la decisión

• Documentación, blog, control de versiones → Markdown.
• Documento cuya maquetación hay que conservar, editar y volver a PDF → Word (en documentos simples).
• Solo necesitas el texto y la rapidez importa → texto plano.
• Tablas complejas que van a la web → HTML.
• Alimentar una herramienta de inteligencia artificial → Markdown.
• Extraer datos de tablas → herramienta de extracción de tablas directamente.

Y en todos los casos, considera la conversión un principio y no un final: la limpieza y la revisión son parte inseparable del trabajo.