Por qué el texto extraído de un PDF sale desordenado
Has sacado el texto de un PDF y parece un rompecabezas. No es raro: el PDF está pensado para verse bien en pantalla o en papel, no para leerse como texto corrido. Estas son las causas habituales y lo que hace PDF to Text con cada una.
El orden de lectura y las columnas
El texto sale en el orden interno del PDF, el que decidió el programa que lo creó. Las páginas claramente maquetadas a dos columnas se leen columna por columna. Pero una revista con recuadros, pies de foto y titulares que cruzan la página puede dar un orden inesperado: el texto está, solo que en el orden en que el PDF lo guarda.
Tablas
Cada fila de una tabla se convierte en una línea, con las celdas separadas por espacios. No se conservan las columnas ni hay exportación a hoja de cálculo. En un extracto bancario, la fecha, el concepto y el importe quedarán seguidos en la misma línea.
Encabezados, pies y guiones
Los encabezados y pies de página son parte de la página y se repiten en el texto en cada página. Una palabra cortada al final de línea conserva el guion: «docu-» y luego «mento» en la línea siguiente. Con buscar y reemplazar en un editor se limpia rápido.
Escrituras de derecha a izquierda y otros sistemas
Las líneas en árabe u otra escritura de derecha a izquierda salen en orden de lectura. También se tratan el hindi (devanagari), el chino, el japonés, incluido el vertical, y el texto girado.
Huecos: fuentes sin correspondencia Unicode
Algunos PDF dibujan las letras con una fuente que no indica qué caracteres Unicode representan (falta la tabla «ToUnicode» o está rota). En lugar de mostrarte símbolos sin sentido, PDF to Text omite ese texto y avisa con Parte del texto no se pudo leer. Si copias de ese mismo PDF en otras aplicaciones, lo normal es que también obtengas caracteres ilegibles.
Páginas que parecen tener texto
Una página puede verse llena de letras y no tener ni una: texto convertido en formas (habitual en carteles, logotipos o archivos exportados desde programas de diseño), una imagen escaneada o una página en blanco. Una nota arriba enumera esas páginas y cada una explica el motivo.
Copia desactivada
Si el autor bloqueó la copia, aparece Este PDF no permite copiar su texto. La herramienta respeta ese ajuste y no modifica el archivo.
Cómo seguir
- Mira las notas de arriba y las de cada Página N para saber qué ha pasado.
- Limpia en un editor lo que se pueda: guiones, encabezados repetidos, espacios de las tablas.
- Si una página es solo una imagen, consulta la guía sobre PDF escaneados.