Cómo convertir un PDF a Word (y qué no se puede arreglar después)

La peticion es siempre la misma: "necesito editar este PDF". El obstaculo es que un PDF y un archivo de Word no son dos versiones de lo mismo. Un PDF es una imagen fija de cada pagina: guarda donde se situa cada letra. Un archivo de Word es una estructura que un motor de maquetacion vuelve a componer cada vez que se abre.

Convertir entre los dos nunca es una copia perfecta. Es una reconstruccion, y la calidad de esa reconstruccion depende casi por completo de como se hizo el PDF original.

Primero, averigua que tipo de PDF tienes

Esta unica pregunta lo decide todo lo demas.

Un PDF digital - exportado desde Word, Google Docs, InDesign o un navegador. El texto es texto de verdad, seleccionable, con una estructura debajo. La conversion va bien. Calcula unos diez minutos de retoque en un documento largo.

Un PDF escaneado - la foto de un documento hecha con el movil, o la salida de un escaner. Cada pagina es una imagen y no hay capa de texto en absoluto. Convertirlo produce un documento vacio o casi vacio, o un documento de imagenes enormes sin texto editable.

Un hibrido - texto digital con paginas escaneadas pegadas dentro (una pagina de firmas, un grafico, un formulario sellado). Convierte la parte digital sin problema; la escaneada necesita OCR o hay que resolverla a mano.

La prueba mas rapida: abre el PDF, pulsa Ctrl+A y luego Ctrl+C, y pega en cualquier cuadro de texto. Si aparece texto y puedes seleccionar una frase, el archivo tiene capa de texto. Si te sale un cuadro vacio, o una imagen gigante, es un escaneo.

Que sobrevive a la conversion y que no

Sobrevive bien:

• Parrafos y saltos de linea entre ellos
• Titulos, y su nivel
• Negrita, cursiva y subrayado
• Listas con vinetas y listas numeradas
• Tablas, con su estructura de celdas
• Enlaces

Sobrevive mas o menos:

• Los saltos de linea exactos: Word vuelve a componer el texto con sus margenes, asi que un parrafo de tres lineas en el PDF puede quedar en dos, o en cuatro
• Las maquetas a varias columnas: el texto multicolumna sale como una unica columna en orden de lectura, que suele ser justo lo que querias
• Las tipografias: el documento conserva las palabras, pero rara vez la fuente, salvo que la fuente este instalada en el equipo que lo abre
• Encabezados, pies y numeros de pagina: a menudo acaban como texto del cuerpo o desaparecen

No sobrevive en absoluto:

• Los saltos de pagina exactos
• Los cuadros de texto flotantes, y el texto que curva alrededor de una imagen
• Todo lo que dependia de la geometria fija del PDF

La rutina de retoque de dos minutos

Si conviertes y el resultado queda feo, casi siempre son las mismas tres cosas.

Arregla primero los estilos. Usa el "borrar formato" de Word o los estilos de parrafo para normalizar el cuerpo de una sola pasada, y despues vuelve a aplicar los estilos de titulo. Si haces esto antes que nada, dejas de pelearte con el formato durante el resto de la edicion.

Revisa los saltos de parrafo. Un exportador de PDF que dibujo una tabla o un recuadro suele escribir una racha de lineas en blanco para imitar el espaciado. Al convertir, esas lineas se vuelven parrafos vacios, y te queda una pagina de espacio en blanco. Buscalos, borralos y pon espaciado de verdad.

Rehaz los encabezados y pies. Si el original los tenia incrustados en cada pagina, ahora seran texto normal en el cuerpo. Borralos y anade un encabezado o un pie de verdad al documento.

Los documentos escaneados necesitan OCR primero

Si el PDF es un escaneo, no hay nada que convertir hasta que el texto se reconozca. Ese proceso se llama OCR, y el orden es fijo:

1. Aplica OCR al documento, para que las paginas ganen una capa de texto.
2. Convierte el PDF con OCR a Word.
3. Corrige. El OCR es una estimacion, y se equivoca en sitios predecibles: l y 1, 0 y O, la puntuacion rota y las columnas leidas en el orden equivocado.

El paso tres no es opcional. Un documento leido por una maquina que sale con lnvoice en lugar de Invoice es peor que un escaneo, porque parece fiable.

Si el documento es corto - un recibo, una pagina de contrato, un formulario - suele ser mas rapido y mas exacto reescribirlo que aplicar OCR y limpiar.

Por que el navegador es el sitio adecuado para esto

Un PDF que conviertes en tu navegador nunca sale de tu dispositivo. Eso no es un detalle menor: un PDF suele ser una nomina, un informe medico, un contrato firmado, un contrato de alquiler o un estado financiero de un cliente. Subirlo a una web de conversion significa entregar ese documento a una empresa con la que no tienes ninguna relacion, y confiar en que su politica de conservacion coincide con tus intenciones.

El convertidor de PDF a Word reconstruye el documento en tu propia maquina, asi que la unica copia que existe es la que ya tenias.

Una lista corta antes de convertir

• Comprueba si hay capa de texto: selecciona todo, copia, pega. Dos segundos, y decide todo el enfoque.
• Conserva el original. La conversion no destruye nada, pero el archivo de Word que obtienes sigue siendo una reconstruccion. Trabaja sobre una copia.
• Cuenta con retoque, sobre todo en estilos y espaciado, en cualquier cosa de mas de dos paginas.
• Corrige si la fuente era un escaneo, y revisa especialmente las cifras.
• Usa el archivo de Word para editar, no para archivar. Si la maquetacion tiene que ser identica al pixel, conserva el PDF y edita el documento original.