Archivos PDF: por qué cuesta tanto recuperar el texto

En concreto, un PDF no tiene párrafos, ni líneas, y a menudo ni siquiera palabras. Tiene tramos de glifos posicionados. La frase que estás leyendo podría estar guardada como una docena de tramos separados en coordenadas calculadas, y el espacio entre dos palabras puede ser simplemente ausencia de tinta en lugar de un carácter de espacio. Todo conversor de PDF a texto y de PDF a Word, incluido este, está por tanto reconstruyendo: agrupa tramos por línea base para recuperar las líneas, adivina dónde acaban los párrafos, deduce los títulos por el tamaño de letra. Funciona bien con prosa normal y aplana columnas y tablas, porque la información necesaria para conservarlas nunca estuvo en el archivo.

Lo segundo que conviene saber es que «PDF» abarca dos situaciones completamente distintas. Un PDF exportado desde Word o desde un navegador contiene texto real que puedes buscar y copiar. Un PDF generado por un escáner o por la cámara del móvil contiene fotografías de páginas y ningún texto: las palabras son píxeles, y nada puede extraerlas sin reconocimiento de caracteres. Este sitio detecta ese caso y ejecuta un modelo de reconocimiento con IA en tu propio equipo en lugar de subir el archivo, algo poco habitual: el OCR suele ser justo el punto en el que un conversor envía tu documento a un servidor.

Los PDF son también donde la privacidad deja de ser algo abstracto. Es el formato en el que viajan contratos, nóminas, extractos bancarios, informes médicos, facturas y documentos de identidad escaneados. Todas las conversiones aquí se ejecutan dentro de la página: el PDF lo abre, lo dibuja y lo lee código en tu navegador, y ninguna petición transporta el archivo. Esa es la razón por la que este conversor está hecho así, y el PDF es la categoría donde más importa.