Convertir PDF a Word

Para editar un PDF, lo normal es volver al documento que lo generó; cuando ese documento ya no existe, lo único que tienes es el PDF. Este conversor reconstruye un PDF como un archivo .docx en el que cada línea de texto es texto real de Word, editable y situado en su posición original, sobre una imagen de todo lo que no era texto. Procesa directamente los PDF digitales de origen y recurre al reconocimiento óptico de caracteres (OCR) para los escaneados, todo en tu navegador.

Cómo funciona

Elige un PDF y pulsa Convertir a Word. Para cada página, la herramienta, apoyándose en pdf.js:

1. Extrae cada elemento de texto con su posición, tamaño de fuente y nombre de fuente, y recorre los operadores de dibujo de la página para averiguar el color de relleno vigente cuando se pintó cada elemento. La negrita y la cursiva se deducen del nombre de la fuente (una secuencia de glifos en Helvetica-BoldOblique se convierte en negrita cursiva), y la fuente del PDF se asigna a una fuente de Word equivalente.
2. Agrupa los elementos en líneas y renderiza la página en un canvas a resolución 2×.
3. Borra cada línea de texto de ese canvas rellenando su recuadro con el color de fondo circundante, de modo que los logotipos, las líneas, los bordes de tabla, las fotos y los paneles de color quedan intactos. Si solo queda color plano, no se guarda ninguna imagen.
4. Construye la página con la biblioteca docx: una página del mismo tamaño y sin márgenes, el canvas ya vaciado como PNG anclado detrás del texto y un marco de texto con posición absoluta por cada línea, con el tamaño, el grosor, el estilo y el color originales. Como Word sustituye las fuentes, los caracteres de cada línea se estiran o se comprimen ligeramente para que la línea ocupe el mismo ancho que en el PDF.

El resultado se descarga con el nombre de tu archivo y la extensión .docx, junto con el número de líneas reconstruidas.

PDF escaneados o formados solo por imágenes

Cuando una página no tiene texto incrustado, la herramienta pasa a OCR con tesseract.js, la versión en WebAssembly del motor Tesseract. La primera vez que la usas, descarga el motor y los datos del idioma inglés, unos 15 MB, desde una red de distribución de contenidos (CDN) y los guarda en caché; tu documento no forma parte de esa descarga y nunca sale de tu dispositivo. Las palabras reconocidas se colocan en las posiciones que indica Tesseract, con la negrita y la cursiva que se desprenden de su análisis de la disposición, y se aplican el mismo vaciado y la misma imagen de fondo.

El progreso se muestra página a página porque el OCR es lento. La precisión depende del escaneo: las páginas a 300 DPI, rectas y con buen contraste se reconocen bien; las fotos hechas con el móvil, los faxes y los escaneos torcidos o de baja resolución producen errores que tendrás que corregir al revisar. Solo se reconoce el inglés; el texto en otros idiomas saldrá ilegible.

Editar el resultado

El documento reproduce fielmente la maquetación, pero el texto no fluye. Cada línea ocupa su propio marco, así que escribir más en una línea amplía ese marco en lugar de desplazar las siguientes, y borrar un párrafo deja un hueco. Es ideal para corregir una cifra, una fecha o un nombre en un extracto, una factura o un certificado, y poco práctico para reescribir un ensayo. Si vas a reestructurar un texto en prosa, extrae el texto (ver más abajo) y pégalo en un documento nuevo.

Las tablas conservan su aspecto porque los bordes forman parte de la imagen de fondo y el texto de las celdas va encima, pero no son tablas de Word. Los hipervínculos, los marcadores y los campos de formulario no se conservan. El texto girado o vertical se coloca en su punto de anclaje, pero sin girar.

Equivalente en línea de comandos

Para obtener texto plano con la estructura de líneas original, pdftotext de poppler es rápido y fiable, y el OCR de un escaneo se puede hacer directamente con Tesseract:

pdftotext -layout statement.pdf statement.txt
tesseract scan-page1.png output --dpi 300 pdf     # searchable PDF from an image

Para saber más

La extracción y el OCR por lotes sobre una carpeta llena de archivos son tareas de shell: los fundamentos de la shell explica los bucles, y el procesamiento de texto con grep, sed y awk muestra cómo sacar campos estructurados del texto resultante. Vuelve a convertir el documento editado con Word a PDF, o renderiza las páginas como imágenes con PDF a imagen si solo necesitas una copia visual.