Por qué convertir un PDF pierde estructura, y qué hacer al respecto

Qué hay realmente dentro de un PDF

Un documento de procesador de textos es un árbol. Registra que un texto es un título de nivel dos, que estos párrafos pertenecen a esa sección, que estas celdas forman una tabla de tres columnas. La apariencia se deriva de esa estructura en el momento de mostrarla.

Un PDF es lo contrario. Es un conjunto de instrucciones de dibujo: coloca este glifo, de esta fuente, a este tamaño, en estas coordenadas de esta página. La estructura que produjo la maquetación no se guarda. Se usó para calcular las posiciones y luego se descartó.

No es un descuido del formato. El PDF se diseñó en 1993 para garantizar que un documento se viera idéntico en cualquier dispositivo y cualquier impresora, y la manera de garantizarlo es especificar la apariencia con exactitud y no dejar nada por recalcular. Lo consiguió por completo. El precio es que un PDF sabe dónde está cada carácter y nada sobre lo que significa.

Así que convertir un PDF a Markdown no es extracción. Es deducción: leer la geometría hacia atrás y adivinar qué estructura la habría producido. Un buen conversor adivina bien. Ninguno puede hacer más que adivinar, porque la respuesta sencillamente no está en el archivo.

La única excepción: los PDF etiquetados

Un PDF etiquetado lleva un árbol de estructura adicional, añadido por accesibilidad para que un lector de pantalla pueda anunciar títulos y leer las celdas en orden. Cuando existe y es correcto, buena parte de la adivinanza desaparece.

En la práctica rara vez se dan las dos cosas. El etiquetado es opcional, la mayoría de los generadores de PDF no lo añaden, y muchos de los que sí lo añaden producen etiquetas que contradicen la maquetación visible: cada párrafo marcado como título, o una tabla etiquetada como una sucesión de párrafos. Un conversor que confiara en etiquetas malas daría peores resultados que uno que las ignora.

Si controlas cómo se genera el PDF y te importa la calidad de la conversión, exportar un PDF correctamente etiquetado desde Word o LibreOffice es lo más útil que puedes hacer. Si conviertes documentos que te llegan de fuera, da por hecho que no están etiquetados.

Cómo se deduce la estructura a partir de la geometría

Las reglas que usa cualquier conversor espacial son básicamente las mismas, y vale la pena conocerlas porque cada una implica un modo de fallo.

Primero, fijar una unidad. La altura del texto normal — la altura de fuente más frecuente del documento, ponderada por cuántos caracteres están compuestos con ella — se convierte en la vara de medir, de modo que las reglas funcionan igual con el documento a 9 o a 14 puntos.

Luego, medirlo todo contra ella. El texto que comparte línea base es una línea. Las líneas separadas por un hueco vertical pequeño son un párrafo; un hueco mayor abre otro. El texto compuesto claramente más grande que el cuerpo es un título, y cuánto más grande decide el nivel. Las filas cuyos fragmentos se alinean en posiciones horizontales compartidas son una tabla. Una banda vertical vacía y alta en mitad de la página significa dos columnas, así que el orden de lectura debe bajar por una y luego por la otra.

Este conversor usa aproximadamente estos umbrales, medidos en múltiplos de la altura del cuerpo:

Todo fallo se sigue de una regla

Vuelve a leer esa lista como una lista de supuestos y los errores dejan de ser misteriosos.

• Los títulos marcados con negrita o color en lugar de tamaño son invisibles para un umbral de tamaño. Un documento cuyos títulos son negrita de 11 puntos sobre cuerpo de 11 puntos no tiene, geométricamente, ningún título.
• Las tablas con celdas combinadas rompen la prueba de posiciones compartidas, porque una celda combinada ocupa una posición que ninguna otra fila usa. Las filas dejan de alinearse y el bloque deja de reconocerse como tabla.
• Una celda cuyo texto se parte en dos líneas parece dos filas, una de ellas con un hueco.
• Un interlineado generoso puede empujar las líneas de un mismo párrafo más allá del umbral de separación y partirlo. Un espaciado escaso entre párrafos puede fusionarlos.
• Una maquetación a tres columnas, o a dos columnas de anchos distintos, o con columnas interrumpidas por una figura a todo el ancho, derrotan la prueba del corredor central.
• El texto compuesto como imagen — un logotipo con palabras, un gráfico con etiquetas, una página escaneada — no tiene glifos, así que no hay nada que posicionar ni nada que leer.

Qué documentos se convierten bien

El patrón es siempre el mismo: documentos de una sola columna hechos con un procesador de textos, con títulos visiblemente más grandes que el cuerpo, tablas rectangulares simples y texto de verdad en lugar de imágenes de texto.

Eso describe la mayoría de informes, artículos, manuales, tesis, contratos, actas y documentación interna, que es la mayor parte de lo que la gente convierte. No describe revistas, folletos, memorias anuales con infografías, formularios, facturas con tablas complejas ni nada escaneado.

Sacar un mejor resultado de un documento difícil

Unas cuantas cosas ayudan de verdad, en orden aproximado de cuánta diferencia marcan.

• Si puedes regenerar el PDF, exporta uno etiquetado; o mejor, sáltate el PDF y convierte el documento original. Convertir un PDF hecho a partir de un archivo de Word siempre es peor que convertir el archivo de Word.
• Divide un documento que mezcle maquetaciones. Convierte por separado las diez páginas de prosa y las cuatro de tablas, en lugar de pelear con una conversión que tiene que resolver ambas.
• Extrae por su cuenta una tabla que se resista. Una tabla que falla dentro de un documento de 60 páginas a menudo se convierte bien cuando es lo único que hay en la página.
• Cuenta con arreglar los títulos a mano en un documento que los marque con negrita. Es una pasada de buscar y reemplazar, no un trabajo de volver a teclear.
• Para un escaneo, aplica primero reconocimiento de texto. No hay atajo: ningún analizador puede encontrar texto que nunca se codificó como texto.

Lee siempre el resultado

El fallo que de verdad cuesta tiempo no es la conversión que se rompe a la vista. Es la que deja caer algo en silencio — una nota al pie, la última fila de una tabla, una línea que quedó fuera de la columna detectada — y produce un Markdown limpio y plausible con un agujero dentro.

Repasa el Markdown convertido contra el original antes de fiarte de él, y presta especial atención a las tablas, a todo lo numérico y a las últimas líneas de cada página. Ahí es donde se concentran las pérdidas silenciosas.