Archivos de Excel: un libro es un ZIP de XML, y un PDF no tiene tablas
Qué contiene de verdad un XLSX, por qué sacar una tabla de un PDF es deducir y no extraer, y qué celdas pasan a ser números. Convierte en tu navegador.
De un vistazo
- Tipo
- Documentos
- Extensiones
- .xlsx
- Tipo MIME
- application/vnd.openxmlformats-officedocument.spreadsheetml.sheet
- También conocido como
- XLSX, Microsoft Excel, spreadsheet
Un archivo .xlsx es un archivo ZIP de XML, con la misma construcción que el .docx descrito en la página de Word y parte del mismo paso a Office Open XML de 2007. Cámbiale la extensión a .zip y encontrarás una parte del libro que enumera las hojas, una parte por hoja con las celdas, una parte de estilos y los archivos de relaciones que lo unen todo. Como es XML dentro de un ZIP, un libro se puede escribir sin nada de código de Microsoft, que es lo que hace esta web: cinco partes XML generadas directamente, en lugar de añadir una biblioteca de hojas de cálculo al paquete. El texto de las celdas se guarda como cadena en línea, de modo que cada hoja es autónoma, y los límites son los del propio Excel: 1.048.576 filas, 16.384 columnas y 255 hojas.
Leer más
La dificultad está por completo en el otro lado. Un PDF no tiene tablas. Tiene fragmentos de glifos, cada uno con una posición, y las líneas de cuadrícula que ves son operaciones de dibujo sin relación con ellos: nada en el archivo registra que exista una celda, y mucho menos qué texto le pertenece. Así que la cuadrícula hay que deducirla a partir de la geometría, que es lo que hacen en realidad todas las herramientas que ofrecen esto, incluidas las de pago.
La deducción se hace en dos pasos. Las filas salen de las líneas base compartidas, que es la mitad fiable porque así se compuso la página desde el principio. Las columnas salen de extensiones horizontales que se solapan, y una franja tiene que repetirse en varias filas para contar como columna: la repetición es lo que distingue una columna real de un párrafo que casualmente tiene sangría. Los bordes izquierdos por sí solos no sirven, y vale la pena dejarlo escrito porque es la primera implementación obvia y falla con la tabla más corriente que existe: una columna de cantidades alineada a la derecha con 6, 96 y 240 tiene tres bordes izquierdos distintos, separados un dígito cada uno, así que la columna se parte y a cada fila le sale una celda vacía de más. El solapamiento resuelve la alineación a la izquierda, a la derecha y centrada sin necesidad de saber cuál tiene delante.
Lo que entra en una celda como número es deliberadamente conservador: decimales simples, con signo opcional, y nada más. 007, 1,234, 2026-09-10, +44 20 y cualquier cosa con un símbolo de moneda se quedan exactamente como aparecían, porque un cero a la izquierda, un separador de miles y una fecha son información que la conversión forzada destruiría. Se conservan los decimales, así que 48.50 llega como 48.50 y no como 48.5. Los límites se indican en la página en lugar de ocultarse: las celdas combinadas salen en la primera columna que abarcan, una celda cuyo texto ocupa dos líneas se convierte en dos filas, se genera una hoja por página y una página sin una estructura de columnas repetida sale como una sola columna de líneas, que es la respuesta honesta para la prosa.
Convertir otros formatos a Excel
Preguntas frecuentes: Excel
¿De verdad un XLSX es un archivo ZIP?
Sí, exactamente igual que un DOCX. Cámbiale la extensión a .zip y ábrelo: dentro hay partes XML para el libro, para cada hoja, para los estilos y para las relaciones entre ellas.
¿Los números se podrán sumar de verdad?
Sí, en las celdas que son decimales simples: se escriben como números, así que SUMA y las demás funciones trabajan con ellos. Todo lo ambiguo se deja como texto a propósito, y el texto no se suma.
¿Por qué mi número de referencia 007 ha salido como texto?
Porque el cero a la izquierda es información. Guardarlo como número lo convertiría en 7 y no habría forma de recuperarlo, así que los valores que solo parecen numéricos se dejan exactamente como aparecían.
Mi tabla ha perdido los límites de las columnas. ¿Por qué?
Las columnas se reconocen por extensiones de celda que se solapan y se repiten a lo largo de la página. Una tabla con solo una o dos filas, o con celdas colocadas de forma irregular, no le da a la deducción nada a lo que agarrarse y sale como líneas de texto.
¿Funciona con un PDF escaneado?
No, y se niega en lugar de adivinar. El reconocimiento devuelve una línea de texto por cada recuadro detectado, lo que basta para reconstruir prosa pero no una cuadrícula: los recuadros fusionan celdas vecinas con tanta frecuencia que el resultado parecería una tabla y estaría mal.
¿Puedo convertir Excel a PDF aquí?
No en local. Mostrar un libro como lo hace Excel (saltos de página, áreas de impresión, anchos de columna) requiere Excel o LibreOffice, y ninguno de los dos se ejecuta en una pestaña del navegador. Las conversiones de aquí van hacia XLSX, no desde XLSX.