PDF a Word

Una página de PDF no tiene ningún concepto de "párrafos" o "títulos" como sí lo tiene un documento Word — internamente es un conjunto de fragmentos de texto posicionados, cada uno diciendo, en efecto, "dibuja estos caracteres en esta coordenada x,y exacta, con esta fuente". No hay esquema, ni estructura de documento, ni siquiera una noción fiable de dónde termina una línea y empieza la siguiente; un lector de PDF reconstruye la apariencia visual de una página pintando cada fragmento de texto en su posición indicada, y una persona que lee el resultado percibe líneas y párrafos solo porque las posiciones resultan alinearse de esa manera. Convertir un PDF en un documento editable significa trabajar hacia atrás a partir de eso: agrupar fragmentos de texto que comparten una posición vertical similar en líneas, y luego detectar dónde el espacio vertical entre una línea y la siguiente es inusualmente grande — una señal de que acaba de terminar un párrafo — y tratar eso como un salto de párrafo. Esto es fundamentalmente una reconstrucción a partir de datos de posición, no una lectura de alguna estructura de documento oculta, y es precisamente por eso que no se puede recuperar el formato original: no había información de formato estructurado en el archivo para recuperar en primer lugar, solo dónde se colocó la tinta.

Es fácil asumir que "leer un PDF" y "leer una página escaneada" son la misma tarea con la misma herramienta, pero resuelven problemas genuinamente distintos. La extracción de texto, que es lo que hace esta herramienta, lee texto que un PDF ya almacena como texto — códigos de carácter y posiciones, los mismos datos que usa un lector de PDF para dejarte seleccionar y copiar una frase. El OCR (reconocimiento óptico de caracteres) resuelve un problema mucho más difícil: mirar una página que es solo una imagen, sin ningún dato de texto en el archivo, y usar reconocimiento de imágenes para adivinar qué letras y palabras representa la imagen. Eso es una tarea fundamentalmente más pesada — implica procesamiento de imágenes, modelos de reconocimiento de caracteres, e incertidumbre inherente sobre cuál es siquiera la respuesta "correcta" —, nada de lo cual aplica cuando el texto ya está ahí como texto. Incluir un motor de OCR completo en una herramienta cuyo atractivo principal es ejecutarse al instante en tu navegador sacrificaría la velocidad y la sencillez que hacen útil a esta herramienta, a cambio de cubrir la minoría de PDF que resultan ser escaneos. Un PDF escaneado, solo imagen, es un caso real y frecuente, y esta herramienta lo indica con claridad en sus resultados en lugar de producir en silencio un documento vacío — pero resolverlo bien significa recurrir a una herramienta de OCR dedicada, no forzar esta más allá de lo que honestamente hace.

Un conversor más ambicioso podría intentar recrear el diseño de la página original — colocando texto en cajas en coordenadas aproximadamente correctas, adivinando columnas, intentando reproducir fuentes. En la práctica esto produce un documento que se parece superficialmente al original pero que es casi imposible de editar de verdad: texto dentro de cajas flotantes desconectadas en lugar de párrafos que fluyen, que se reorganiza mal en cuanto se añade o se quita algo, y que se resiste a cada edición. Reorganizar el texto extraído en párrafos normales, en cambio — el enfoque que sigue esta herramienta —, renuncia deliberadamente al parecido visual a cambio de un documento que se comporta como se supone que debe comportarse un documento Word: escribes al final de un párrafo y se ajusta con normalidad, borras una frase y el resto de la página se reorganiza tal como han funcionado siempre los procesadores de texto. Para el objetivo habitual de llevar las palabras de un PDF a un documento editable — para citarlas, revisarlas, reutilizarlas o traducirlas —, esa es la decisión correcta, y por eso esta herramienta no intenta ser una herramienta de preservación de diseño disfrazada de editor de texto.