PDF a Markdown
Convierte un PDF en Markdown limpio y editable, sin subirlo.
Un PDF no contiene una tabla del mismo modo que una hoja de cálculo. Contiene instrucciones para dibujar texto y líneas en posiciones concretas. La cuadrícula visual es real para ti; para un analizador (parser), es simplemente una colección de coordenadas.
Esa distinción explica una decepción habitual: una herramienta de conversión PDF-a-texto devuelve todas las palabras correctas, pero en el orden equivocado. El contenido se ha extraído; la estructura de tabla, no.
Qué significa realmente «extraer una tabla»
Hay tres tareas distintas que la gente describe con la misma frase:
- Extraer las palabras. Útil para búsquedas o un resumen rápido, pero las filas y columnas pueden colapsarse.
- Reconstruir la estructura. Generar Markdown o HTML con filas y columnas bien definidas.
- Obtener un conjunto de datos limpio. Generar CSV o XLSX con un valor por celda, listo para su análisis.
Un convertidor basado primero en texto puede hacer bien la primera tarea y parcialmente la segunda. La tercera suele requerir una herramienta especializada en tablas o una corrección manual, especialmente cuando las celdas abarcan varias líneas.
Un flujo de trabajo local primero
1. Comprueba si el PDF tiene una capa de texto
Abre el PDF e intenta seleccionar un valor dentro de la tabla. Si la selección resalta palabras individuales, el PDF sí tiene una capa de texto. Si selecciona toda la página como una imagen, el PDF es una escaneada; aplica OCR primero.
2. Convierte el PDF a Markdown
Usa PDF a Markdown. Lee el PDF localmente mediante PDF.js y reconstruye encabezados, párrafos y tablas sencillas. El archivo nunca se sube a ningún servidor.
Abre el Markdown resultante e inspecciona la tabla antes de confiar en ella. Una tabla con barras verticales (pipe table) debe tener el mismo número de celdas en cada fila. Si una fila tiene menos celdas, probablemente una de ellas contenía un salto de línea o correspondía a una columna combinada.
3. Corrige la estructura mientras sea pequeña
Las tablas pequeñas son más fáciles de reparar en Markdown que en una hoja de cálculo. Revisa:
- que la fila de encabezados coincida con las columnas visibles;
- que cada fila de datos tenga el mismo número de celdas;
- que los números no hayan perdido su signo negativo ni su punto decimal;
- que las celdas combinadas no se hayan asignado silenciosamente a la columna equivocada;
- que las notas al pie no se hayan convertido en una nueva fila.
4. Pasa a CSV solo cuando la tabla esté limpia
El Markdown es ideal para leer y pegar en notas. El CSV es mejor para ordenar, aplicar fórmulas y combinar con otros datos. No exportes a CSV hasta que las filas sean estructuralmente correctas; una tabla mal formada se convierte en un problema mucho más difícil de corregir en una hoja de cálculo.
5. Verifica los totales de forma independiente
Si la tabla incluye una fila de totales, súmalos tú mismo. Una tabla puede parecer estructuralmente perfecta y aun así contener un error de transcripción. En datos financieros o médicos, compara los valores extraídos con el PDF original, no con la versión anterior de la hoja de cálculo.
Por qué se rompen las tablas
- Celdas combinadas. Un encabezado que abarca tres columnas es una única celda visual, pero corresponde a tres columnas lógicas.
- Texto ajustado. Una descripción larga puede dividirse en dos líneas; un analizador ingenuo interpreta la segunda línea como una nueva fila.
- Celdas vacías. El espacio en blanco no es un separador fiable.
- Páginas multicolumna. Un informe de dos columnas puede entremezclar filas sin relación.
- Bordes dibujados como imágenes. Las líneas que forman parte de una escaneada no son metadatos estructurales.
- Páginas rotadas. Las tablas en horizontal dentro de un PDF en vertical suelen necesitar una rotación previa a la extracción.
Cuándo usar un enfoque distinto
Si necesitas un conjunto de datos real a partir de decenas de tablas similares, una herramienta especializada en extracción de tablas o una importación directa a hoja de cálculo suele ser mejor que un convertidor PDF genérico. Si solo necesitas el argumento del documento, usa Resumidor de PDF; lee el texto extraído y devuelve un resumen, los puntos clave y los pasos siguientes, sin pretender preservar cada celda.
Si la tabla es una imagen escaneada, el OCR puede recuperar las palabras, pero no columnas fiables. Reconstruye la tabla manualmente para cualquier dato importante.
Una nota sobre privacidad
Los PDF suelen contener datos de nómina, precios, contratos o pacientes. Un convertidor basado en navegador mantiene el archivo en tu dispositivo; solo se usa el texto extraído si eliges un resumen con IA. Evita subir el PDF original a un servicio que exija crear una cuenta antes de mostrarte el resultado.
Versión resumida
Una tabla en PDF es una disposición visual, no una estructura de datos. Extrae el texto localmente, comprueba que cada fila tenga el mismo número de celdas, verifica los números frente al PDF original y, solo entonces, traslada los datos a una hoja de cálculo. Si la tabla está escaneada o tiene muchas celdas combinadas, planifica una corrección manual.