Convierte una tabla PDF con un formato limpio a Excel, abre el resultado y descubre que lo que eran dos columnas separadas de números en el PDF se ha convertido en una sola columna con valores como "1,2503,780" en cada celda. Se han concatenado dos valores numéricos de columnas adyacentes en una cadena de texto y los datos ahora son inútiles para el cálculo. Esta es la queja más común sobre la conversión de PDF a Excel, y ocurre porque el convertidor calculó mal dónde termina una columna y comienza la siguiente.
La detección de límites de columnas en tablas PDF es un problema fundamentalmente difícil porque los PDF no contienen estructura de tabla. Una tabla PDF es simplemente texto colocado en coordenadas específicas, con líneas horizontales y verticales dibujadas cerca del texto. El convertidor debe inferir los límites de las columnas a partir del espacio entre bloques de texto, de la alineación del texto entre filas o de la posición de las líneas dibujadas. Cuando las columnas numéricas son estrechas y los números de las columnas adyacentes están muy juntos, el convertidor puede fusionarlos en una sola columna más ancha, leyendo ambos números como una sola cadena de texto. El convertidor ve una serie horizontal continua de números y no puede saber dónde estaba el salto de columna en el diseño original.
Por qué las columnas numéricas adyacentes son especialmente vulnerables a la fusión
Las columnas numéricas en las tablas PDF tienden a ser estrechas porque los números son cortos. Una columna de valores de moneda puede contener entradas como "1250,00" o "42,50", rara vez supera los 12 caracteres. Dos columnas numéricas estrechas una al lado de la otra, como "Precio unitario" y "Precio ampliado" a menudo tienen sólo unos pocos puntos de espacio en blanco entre ellos. Si el algoritmo de división de columnas del convertidor utiliza un umbral de espacio mínimo que es mayor que el espacio real entre las columnas, ve las dos columnas como una y concatena sus valores.
El problema se ve agravado por los números alineados a la derecha. En una tabla PDF bien formateada, las columnas numéricas están alineadas a la derecha, por lo que los números de cada fila terminan en la misma posición horizontal. El espacio entre el final de un número alineado a la derecha en la columna A y el comienzo de un número alineado a la izquierda en la columna B puede ser tan solo de unos pocos puntos. La inspección visual del PDF muestra un claro espacio, pero el algoritmo del convertidor puede requerir un espacio mayor para identificar con seguridad el límite de una columna, tratando el espacio estrecho como un espaciado normal entre palabras en lugar de un separador de columnas.
Un problema relacionado ocurre con los números negativos y la notación entre paréntesis. Un valor mostrado como "(1250,00)" incluye un paréntesis y una coma, que un convertidor puede interpretar como múltiples tokens separados. El paréntesis de apertura se asocia con la columna anterior, la parte numérica se coloca en la columna actual y el paréntesis de cierre se elimina o se adjunta a la siguiente columna. El resultado es una celda que contiene datos parciales que requieren una limpieza manual exhaustiva. Las tablas que utilizan formato numérico europeo, donde la coma es un separador decimal y el punto es un separador de miles, confunden aún más a los convertidores que asumen formato numérico estadounidense.
Cómo identificar tablas de problemas antes de la conversión
Antes de convertir, abra el PDF y amplíe el área de la tabla. Busque columnas donde el espacio entre el carácter más a la derecha de una columna y el carácter más a la izquierda de la siguiente columna sea visualmente pequeño, menos de aproximadamente un carácter de ancho. Estas son las columnas con mayor probabilidad de fusionarse durante la conversión. Si ve tablas con estos espacios estrechos entre columnas, planifique una corrección manual después de la conversión o considere un método de extracción alternativo.
Compruebe también las tablas que utilizan puntos guía, filas de puntos que conectan el nombre de un artículo alineado a la izquierda con un precio alineado a la derecha. Los puntos guía se encuentran en el espacio entre las columnas y con frecuencia se interpretan erróneamente como datos en lugar de como formato visual. Un convertidor que trata los puntos guía como contenido producirá una columna que no contiene más que puntos o dividirá la tabla incorrectamente porque no puede distinguir los puntos guía de los datos. Las tablas con celdas de encabezado fusionadas que abarcan varias columnas son otro punto problemático. El convertidor ve un bloque de texto ancho en la fila del encabezado y es posible que no lo asigne correctamente a las columnas de datos más estrechas que aparecen a continuación.
Para datos críticos donde la precisión es importante, la extracción Extract PDF Data utilizando un software especializado de reconocimiento de tablas es más confiable que la conversión de PDF a Excel de uso general. El software de extracción de datos diseñado específicamente para tablas utiliza múltiples señales, posición del texto, métricas de fuente, posición de línea y coherencia de alineación entre filas para crear un modelo de columna más preciso. El costo adicional del software de extracción especializado se justifica cuando la alternativa son horas de limpieza manual de Excel para cada tabla convertida.
Estrategias de corrección manual para columnas fusionadas
Cuando es inevitable fusionar columnas, la función Texto a columnas de Excel es la herramienta de corrección más rápida. Seleccione la columna fusionada, abra Datos, Texto en columnas y elija Delimitados. Si los valores combinados están separados constantemente por un espacio, elija Espacio como delimitador. Si están separados por un número variable de espacios, elija Ancho fijo y coloque manualmente la línea de salto de columna entre los dos valores. Excel obtiene una vista previa de la división antes de aplicarla, por lo que puede ajustar la posición de la división hasta que la división sea correcta para todas las filas.
Para valores que se fusionaron sin ningún delimitador, como "12503780" donde la división debe estar entre "1250" y "3780", Texto a columnas no puede ayudar porque no hay un delimitador para dividir. Necesita saber el ancho esperado de cada columna. Si la primera columna siempre contiene cuatro dígitos y la segunda siempre contiene cuatro dígitos, use las funciones IZQUIERDA y DERECHA de Excel con los recuentos de caracteres conocidos para extraer los valores en columnas separadas. Este enfoque sólo funciona cuando los anchos de las columnas son fijos y consistentes, lo cual es común en tablas exportadas desde sistemas de bases de datos con anchos de campo fijos.
WukongPDF convierte tablas PDF a Excel con detección de columnas que analiza la alineación del texto, el espaciado y la posición de las líneas para identificar los límites de las columnas incluso en tablas numéricas muy espaciadas. La conversión conserva el formato numérico para que los valores extraídos se puedan utilizar inmediatamente para el cálculo sin necesidad de limpieza manual. Para tablas complejas que resisten la detección automática de columnas, considere utilizar un enfoque basado en OCR como ruta alternativa. Tome una captura de pantalla de la tabla PDF, ejecútela a través de una herramienta OCR con capacidades de reconocimiento de tablas y exporte la tabla reconocida a Excel. Los motores de OCR modernos que incluyen detección de estructura de tablas suelen ser más confiables en la separación de columnas que los convertidores tradicionales de PDF a Excel porque analizan el diseño visual directamente.