¿El PDF es realmente un formato no editable?

Técnicamente el PDF es un formato editable, pero no está diseñado con una estructura propicia para la edición. El formato se compone de instrucciones de dibujo que describen cómo se verá la página; cuando quieres cambiar una palabra, como no existe el concepto de flujo de texto, las palabras siguientes no se desplazan por sí solas. Por eso los editores de PDF suelen limitarse a intervenciones pequeñas. Si necesitas hacer cambios amplios en el documento, llevar el contenido a un formato fluido, es decir, a un documento de Word, resulta mucho más eficiente.

¿Cómo encuentra el texto el conversor, lee la imagen de la página?

En los PDF basados en texto, el conversor no mira en absoluto la imagen de la página. Dentro del archivo PDF el texto se guarda como instrucciones de dibujo, y cada instrucción indica qué caracteres se dibujan en qué coordenada, con qué fuente y con qué tamaño. El conversor lee esas instrucciones y reúne los caracteres junto con sus coordenadas; después agrupa los que están próximos entre sí como palabras, las palabras como líneas y las líneas como párrafos. El procesamiento de imagen, es decir, el OCR, solo entra en juego en archivos escaneados que no tienen capa de texto.

¿Por qué al convertir el mismo PDF con herramientas distintas sale un resultado diferente?

Porque la fase crítica de la conversión, la deducción de la estructura, es un trabajo de suposición y la estrategia de suposición de cada herramienta es distinta. Decisiones como cuán grande debe ser el espacio entre dos bloques de texto para considerarlos párrafos separados, o qué patrón de alineación se acepta como tabla, se toman con umbrales diferentes en cada aplicación. Por eso, en un documento sencillo apenas verás diferencias entre herramientas, pero en un documento de varias columnas o con tablas complejas los resultados divergen de forma notable.

¿Por qué el texto que copio de algunos PDF llega como caracteres sin sentido?

Eso se debe a que el mapeo de caracteres de la fuente del PDF está incompleto o dañado. Dentro del PDF, los caracteres se guardan en realidad con los números de orden que tienen en el archivo de fuente, y tiene que existir una tabla de correspondencias que indique a qué letra real corresponde cada uno de esos números. Algunos programas generadores escriben esa tabla de forma incompleta o no la escriben en absoluto. La página se ve correctamente en pantalla porque se están dibujando las formas correctas, pero al copiar el texto obtienes caracteres sin sentido. En esos archivos la única solución es tratar la página como una imagen y aplicar OCR.

¿Cómo funciona en realidad la conversión de PDF a Word? El trasfondo técnico

Dos formatos, dos filosofías completamente distintas

La diferencia entre un PDF y un documento de Word es mucho más profunda de lo que cree la mayoría de la gente. Entender esa diferencia es también la clave para entender qué pasa durante la conversión y por qué.

Un documento de Word define un modelo de contenido. Dentro del archivo hay información de este tipo: aquí hay un título de primer nivel, después vienen tres párrafos, luego empieza una tabla de tres columnas. El documento no dice qué se dibuja en cada punto de la página; dice cuál es la estructura del contenido y deja al programa el trabajo de colocarlo en la página. Por eso, cuando añades una frase a un párrafo, todo lo que viene después se desplaza hacia abajo por sí solo, y cuando cambias los márgenes el texto vuelve a fluir.

El PDF, en cambio, define una imagen de página. Dentro del archivo hay instrucciones de este tipo: con Helvetica de 72 puntos, dibuja estos caracteres en el punto situado 90 unidades a la derecha y 700 unidades arriba desde la esquina inferior izquierda de la página. Después traza una línea de 0,5 de grosor desde aquí hasta allí. En el mundo del PDF no existe el párrafo, no existe la tabla e incluso, la mayoría de las veces, no existe ni la palabra. Solo hay caracteres y formas dibujados en unas coordenadas concretas.

Esa opción de diseño es la que da al PDF su mayor fuerza: abras el archivo en el dispositivo y el sistema operativo que sea, la página se ve exactamente igual. Esa misma opción es también la que vuelve la edición extremadamente difícil.

El proceso de conversión: una reconstrucción en tres fases

Cuando un conversor pasa un PDF a Word, hace en realidad tres trabajos distintos.

Fase 1: extracción

Primero se leen las instrucciones de dibujo del PDF y se reúne cada fragmento de texto con su información: qué caracteres, en qué coordenada, con qué fuente, con qué cuerpo, con qué color. Lo que se obtiene al final de esta fase todavía no es un documento, sino cientos o miles de pequeños fragmentos de texto repartidos por la página. Esta fase suele funcionar sin problemas, porque el trabajo consiste en leer información que ya está escrita de forma explícita en el archivo.

Fase 2: deducción de la estructura

Aquí está la parte realmente difícil, y es exactamente esta fase la que determina la calidad de la conversión. El conversor tiene fragmentos de texto con sus coordenadas y necesita deducir a partir de ellos una estructura lógica de documento.

El algoritmo busca respuesta a preguntas de este tipo. ¿Dos caracteres que están uno al lado del otro pertenecen a la misma palabra o el espacio que los separa es un límite de palabra? ¿Dos líneas una debajo de otra son la continuación del mismo párrafo o empieza un párrafo nuevo? ¿El texto de la mitad izquierda de la página y el de la mitad derecha son dos columnas separadas o dos celdas de una tabla ancha? ¿Por qué esta línea está escrita con un cuerpo mayor que las demás, debería ser un título?

El punto al que hay que prestar atención es este: la respuesta a ninguna de estas preguntas está escrita dentro del archivo. Todas son deducciones hechas mirando las coordenadas y la información de formato. Cuando un humano mira la página ve esa estructura al instante, porque tiene una intuición sobre cómo se organizan los documentos adquirida a lo largo de años. Un algoritmo, en cambio, decide únicamente con umbrales numéricos, y esos umbrales a veces fallan.

Fase 3: reconstrucción

La estructura deducida se reescribe en un formato que Word entienda. Lo que se ha reconocido como párrafo se crea como párrafo, lo reconocido como tabla como tabla y lo reconocido como título con estilo de título. Las imágenes se extraen y se colocan en el documento. En esta fase también hay un punto de compromiso: el conversor puede priorizar la semejanza visual y colocarlo todo en cuadros de texto para imitar la página de forma idéntica, o priorizar la editabilidad y generar párrafos fluidos. Lo primero se parece más al original en pantalla pero es difícil de editar; lo segundo es fácil de editar pero visualmente difiere un poco.

¿Por qué ninguna conversión es perfecta?

La conclusión que se extrae de todo lo anterior es esta: la pérdida en la conversión no es una carencia de software, sino una carencia de información. En el archivo PDF, la estructura de párrafos, la disposición en columnas o la definición de tabla la mayoría de las veces no existen. El conversor no puede leer información que no existe, solo puede suponerla.

Por eso la calidad de la conversión está directamente relacionada con la complejidad del documento de origen. Un contrato formado por texto a una columna y párrafos corridos se convierte casi de forma idéntica, porque hay muy poco que suponer. En cambio, en un folleto de diseño con cuadros anidados, imágenes de fondo y textos que fluyen en distintas direcciones hay mucho que suponer, y cada suposición conlleva un margen de error.

Existe además una categoría de excepción: el PDF etiquetado. El estándar PDF permite incrustar etiquetas estructurales en el archivo; esas etiquetas indican de forma explícita qué texto es un título y cuál es una celda de tabla. En los documentos corporativos generados conforme a requisitos de accesibilidad esas etiquetas están presentes y la calidad de la conversión aumenta notablemente, porque ya no hace falta suponer nada. Por desgracia, la gran mayoría de los PDF con los que uno se encuentra en la práctica no están etiquetados.

PDF escaneado: un problema completamente distinto

Todo lo explicado hasta aquí valía para los PDF que contienen texto real. En un documento escaneado la situación cambia de raíz, porque en el archivo no hay ninguna instrucción de texto que leer; solo está la fotografía de la página.

En esos archivos primero tiene que entrar en juego el OCR, es decir, el reconocimiento óptico de caracteres. El OCR analiza los patrones de píxeles de la imagen para reconocer las letras y convertirlas en texto real. Es una operación independiente de la conversión y que conlleva su propio margen de error. La precisión del reconocimiento depende de la resolución del escaneo, de que la página esté bien colocada, de la limpieza del papel y de la legibilidad de la fuente. La escritura a mano, un escaneo de baja resolución o una foto de móvil tomada torcida producen tasas de error serias.

Por tanto, en un documento escaneado se superponen dos fuentes de error: primero los errores de reconocimiento del OCR y después los errores de interpretación de la deducción de estructura. En este tipo de archivos, leer la salida comparándola obligatoriamente con el original es imprescindible, sobre todo cuando hay cifras y nombres propios de por medio.

¿Para qué sirve esto en la práctica?

Saber cómo funciona la conversión te permite tener la expectativa correcta al evaluar el resultado. Cuando veas deterioro en una página compleja, sabrás que es inevitable y que probar otra herramienta la mayoría de las veces no dará un resultado radicalmente distinto. En cambio, si ves deterioro en un documento sencillo, probablemente haya un problema concreto en el archivo, como un mapeo de fuentes defectuoso, y tiene sentido investigarlo.

Ese mismo conocimiento te ayuda además a plantear bien el trabajo desde el principio. Si eres tú quien genera el documento y sabes que en el futuro habrá que editarlo, guardar el archivo fuente original es mejor que cualquier conversión. La conversión es una vía de rescate pensada para los casos en los que no puedes acceder al original, y para ese fin funciona bastante bien. Si quieres probar con el archivo que tienes, puedes usar la herramienta de conversión de PDF a Word.

En resumen

El PDF es una imagen de página fija y Word es un modelo de contenido fluido. La conversión consiste en deducir de nuevo, mirando coordenadas fijas, una estructura que no existe. La fase de extracción del texto es fiable; la fase de deducción de la estructura conlleva un margen de error que varía según la complejidad del documento. En documentos sencillos el resultado es casi perfecto, en páginas de diseño cargado hace falta arreglo manual y en documentos escaneados el OCR añade una capa de error aparte. Trabajar sabiendo esto te permite usar la conversión en el lugar adecuado y revisar el resultado con el ojo correcto.