Sacar el contenido de un PDF: texto, datos, imágenes y archivo

Por qué es difícil convertir un PDF de vuelta

En la mayoría de los PDF, el texto se guarda como caracteres colocados en posiciones exactas de la página. A menudo no queda constancia de que un grupo de líneas forma un párrafo, de que ciertas palabras son un título o de que una cuadrícula de números es una tabla con filas y columnas. Un conversor tiene que reconstruir esa estructura a partir de las posiciones, lo que funciona bien con documentos sencillos y mal con diseños complejos. Los PDF escaneados son aún más difíciles, porque no contienen ningún carácter, solo imágenes de páginas. Por eso el camino más fiable es siempre el archivo de origen cuando existe, y por eso los conversores de VelloDoc priorizan un resultado limpio y honesto frente a imitaciones del diseño original. La guía de formatos explica los compromisos de fondo.

Recuperar las palabras

Tres conversores recuperan texto para destinos distintos. PDF a Word genera un DOCX editable con el texto de cada página en párrafos y con los saltos de página conservados, listo para darle formato, pero no reconstruye fuentes, tablas, imágenes ni columnas. PDF a TXT escribe todo el texto en un archivo UTF-8, la forma más portátil para citar, buscar y analizar. PDF a Markdown añade un título por cada página, un punto de partida cómodo para wikis y aplicaciones de notas. Si el resultado sale ilegible aunque la página se lea con normalidad, el PDF guarda los caracteres sin una correspondencia correcta con las letras; ejecutar el OCR y volver a convertir suele solucionarlo.

Recuperar cifras y tablas

PDF a Excel crea una hoja por página, convierte cada línea de texto en una fila y separa las celdas allí donde el texto tiene un tabulador o un hueco amplio, que es como muchos PDF distribuyen las columnas. Las tablas sencillas y con espaciado uniforme se convierten bien; las celdas combinadas, el texto ajustado y las celdas vacías necesitan retoques, porque el espaciado es la única pista de la estructura. Los valores llegan como texto, así que conviértelos en números antes de calcular. Para datos que salieron originalmente de una exportación de un sistema, pedir el CSV siempre es más preciso que extraerlos de un PDF, y CSV a PDF cubre el camino contrario cuando necesitas una tabla imprimible.

Imágenes de las páginas o las imágenes que contienen

Hay dos tareas que se confunden con facilidad. Generar imágenes de páginas produce imágenes de páginas completas: PDF a JPG, PDF a PNG y PDF a WebP convierten cada página a 120, 150 o 200 DPI y entregan un ZIP; JPG es adecuado para fotos, PNG para texto y diagramas, y WebP para sitios web. Extraer imágenes, en cambio, saca las fotos y gráficos guardados dentro del PDF en su formato y resolución originales, lo que puede dar mucha más calidad que una imagen de la página. Para presentar páginas, PDF a PowerPoint coloca cada página en una diapositiva del tamaño de la página, como una imagen que puedes anotar pero no editar.

Un PDF como página web

Los PDF largos son incómodos en el móvil y opacos para los buscadores. PDF a HTML convierte un documento en una única página web autónoma: las páginas con capa de texto pasan a ser texto real que se adapta a la pantalla y se puede seleccionar, buscar y leer en voz alta, con sus imágenes incrustadas, mientras que las páginas escaneadas se incluyen como imágenes de página para no perder nada. El diseño exacto, las columnas y las fuentes se simplifican en favor de la legibilidad. Para sitios de documentación que usan Markdown, el conversor a Markdown encaja mejor, y publicar el PDF original junto al HTML mantiene disponible una versión imprimible para quien la quiera.

Los escaneos necesitan OCR primero

Toda conversión basada en texto depende de una capa de texto. Un PDF escaneado o fotografiado no la tiene, así que PDF a Word devuelve páginas vacías, PDF a Excel devuelve hojas vacías y PDF a HTML recurre a imágenes de página. OCR PDF añade texto reconocido en cualquiera de 39 idiomas, y a partir de ahí todos los conversores de texto funcionan con normalidad. El reconocimiento no es perfecto, sobre todo con letra pequeña, escritura a mano y diseños complejos, así que revisa nombres, cifras y fechas en el resultado convertido. Limpiar los escaneos antes del reconocimiento con las herramientas de optimización para enderezar y quitar páginas en blanco mejora la precisión de forma apreciable, y qué hace que un PDF se pueda buscar explica por qué.

Respuestas de muchos PDF a la vez

A veces no necesitas convertir nada. Necesitas una respuesta que está repartida entre varios archivos. El Espacio de trabajo PDF con IA lee el texto de hasta 20 PDF para que puedas buscar en todos a la vez, en tu navegador. También puede pedir a Claude, un modelo de IA creado por Anthropic, que compare los documentos, liste en qué no coinciden o escriba un resumen, con el nombre del archivo y el número de página de cada dato. La búsqueda es gratuita y no sale de tu navegador. Las respuestas de la IA envían el texto a Anthropic solo cuando preguntas y aceptas, así que comprueba cada referencia de página antes de fiarte.

Archivar en lugar de convertir

A veces el objetivo no es reutilizar el contenido, sino mantener el documento legible durante décadas. PDF a PDF/A reescribe un archivo según el estándar de archivo PDF/A-2 con Ghostscript, incrustando las fuentes y un perfil de color sRGB para que el archivo no dependa de nada externo. Ningún conversor puede garantizar que cualquier archivo supere una validación estricta, así que comprueba el resultado con un validador como veraPDF cuando el cumplimiento sea obligatorio. Repara antes los archivos dañados con Reparar PDF, dale al documento un título significativo con Ver y editar metadatos y haz buscables los escaneos antes de archivarlos para que sigan siendo fáciles de encontrar.

Flujos de trabajo habituales

Preguntas sobre cómo convertir PDF a otros formatos

Guías relacionadas