Cómo convertir un PDF a Word

Un PDF no guarda párrafos. Guarda glifos: caracteres sueltos, cada uno con una referencia a una fuente y una posición en la página. No hay frases, ni títulos, ni listas; eso lo arma su ojo a partir de los espacios. Por eso todos los conversores de PDF a Word que existen, el nuestro incluido, hacen reconstrucción y no traducción: leen miles de glifos colocados en coordenadas y adivinan cuáles pertenecen a la misma línea, qué líneas forman un párrafo y qué párrafo estaba pensado como título. Entender ese hecho explica casi todo lo que verá en los resultados: por qué un informe limpio se convierte perfectamente, por qué un artículo académico a dos columnas sale entrelazado y por qué un contrato escaneado produce un documento vacío use la herramienta que use.

Qué lee realmente el conversor

La capa de texto de un PDF es una lista de instrucciones de dibujo. Cada una dice, en esencia: coloca esta cadena de glifos de esta fuente en esta coordenada x e y, a este tamaño. El conversor recorre esa lista y empieza a agrupar. Los glifos que comparten una línea base dentro de una tolerancia pequeña forman una línea. Las líneas cuyo espacio vertical coincide con el interlineado del entorno forman un párrafo; un hueco claramente mayor lo cierra. El tamaño y el grosor de la fuente, comparados con el cuerpo de texto más frecuente de la página, deciden qué se convierte en título: una línea un cuarenta por ciento más grande y seguida de un párrafo normal es casi con seguridad un encabezado, y se escribe en el .docx como tal y no como texto en negrita. Las viñetas o números al principio de una línea, con una sangría constante debajo, se convierten en elementos de lista. Nada de esto está guardado en el archivo; todo se infiere, y esa inferencia es lo que separa un resultado utilizable de un muro de líneas sueltas.

Dónde falla la reconstrucción

Tres diseños rompen esas suposiciones. Las páginas a varias columnas son el caso clásico: dos columnas contiguas comparten líneas base, así que un lector ingenuo cose la línea de la columna izquierda con la de la derecha y produce un sinsentido. Hay que detectar el corondel y leer cada columna hasta abajo antes de cruzar. Las tablas son el segundo caso: una tabla es texto en coordenadas más, a veces, líneas — y muchas veces sin ninguna línea, con lo cual una tabla y una lista de cifras bien alineadas son idénticas para el analizador. El tercero son los títulos numerados. Una línea que empieza por «1. Objeto del contrato» se parece exactamente al primer elemento de una lista numerada, y el orden de las dos comprobaciones dentro del conversor decide cuál obtiene usted. Nosotros caímos en esto y tuvimos que poner la prueba de título antes que la de lista, porque en los documentos que la gente convierte de verdad, un título numerado es mucho más común que una lista de un solo elemento.

Los PDF escaneados no dan nada, y eso es lo honesto

Si la página salió de un escáner o de la cámara de un móvil, contiene una imagen grande y ninguna capa de texto. No hay glifos que agrupar, así que no hay nada que reconstruir. La herramienta tiene dos opciones: devolver un documento vacío o ejecutar reconocimiento óptico de caracteres para inventar texto a partir de los píxeles. Nosotros no hacemos OCR, así que rechazamos el archivo y explicamos por qué, en lugar de entregarle un .docx con tres páginas en blanco. Esto importa más de lo que parece: en una muestra pequeña de documentos reales con los que probamos, tres de cada cinco PDF legibles resultaron ser escaneos. Si el suyo está en ese grupo, el paso honesto es una herramienta de OCR, y conviene tratar su salida como un borrador que hay que revisar y no como texto recuperado: el OCR adivina caracteres a partir de formas, y equivocarse con confianza es su modo normal de fallar.

Fuentes, codificación y el problema de los caracteres rotos

Hay un segundo fallo, más silencioso: el mapeo de caracteres. Un PDF puede incrustar un subconjunto de fuente con su propia numeración interna y aportar una tabla que devuelve esos números a caracteres reales. Cuando esa tabla falta o es incorrecta — algo habitual en archivos hechos con programas de composición antiguos y en documentos cuyos acentos o eñes se sustituyeron al imprimir — el texto extraído sale como basura verosímil: formas de palabra correctas, letras equivocadas. El conversor no puede repararlo desde el archivo, porque la información sencillamente no está. La señal es que ese mismo documento tampoco se busca bien en un lector de PDF: pruebe a buscar con Ctrl+F una palabra que ve claramente en pantalla, y si el lector tampoco la encuentra, el mapeo está roto y todas las herramientas producirán el mismo enredo. En ese caso lo que necesita es el documento original, no el PDF.

Cómo revisar el resultado antes de fiarse

Abra el .docx y compruebe cuatro cosas en orden. Primera: ¿el texto va en el orden correcto? Lea la primera página entera, porque los errores de columnas se ven ahí de inmediato y no se ven en una ojeada. Segunda: ¿los títulos son títulos de verdad? Haga clic en uno y mire el cuadro de estilos; si pone Título 1 puede reconstruir el índice, si pone Normal solo tiene texto en negrita. Tercera: mire cualquier tabla y confirme que ningún valor se ha desplazado de columna. Cuarta: busque un número que sepa que está en mitad del documento — un total, una fecha, una línea de factura — y confirme que sobrevivió, porque el contenido perdido es el fallo que más cuesta y que menos se nota. Nuestra propia batería de verificación ejecuta exactamente esa última comprobación en cada compilación, precisamente porque es la que un revisor humano se salta.

Qué documentos se convierten bien

Una regla práctica: si el documento nació digital en un procesador de textos o en un sistema oficial y está a una sola columna, el resultado suele ser directamente editable. Contratos, escritos oficiales, certificados administrativos, justificantes bancarios e informes entran en ese grupo. Los folletos con mucho diseño, las páginas de revista, los artículos a dos columnas y los archivos de maquetación se recuperan solo como texto, no como formato: rehacer el diseño le corresponde a usted. La forma más rápida de saber en qué grupo está un documento es intentar seleccionar una frase con el cursor en el lector de PDF: si se selecciona la frase, hay capa de texto y se puede convertir; si se selecciona la página entera como un bloque, lo que tiene es una imagen.