Copias un párrafo de un PDF y lo pegas en otro lugar, y cada línea termina con un retorno forzado: el texto no se redistribuye, simplemente se rompe donde termina la línea en la página. Esta es una de las molestias más comunes de PDF y tiene una causa técnica específica que explica por qué sucede y qué puede hacer al respecto.
Por qué sucede esto: cómo PDF almacena el texto
Un PDF no almacena texto como párrafos como lo hacen Word o Google Docs. En cambio, almacena caracteres individuales o pequeños grupos de caracteres, cada uno con una posición específica en la página: coordenadas X e Y que colocan cada fragmento de texto exactamente donde debería aparecer. El renderizador PDF dibuja estas piezas posicionadas para producir el resultado visual que ve.
Cuando copia texto, el visor de PDF tiene que reconstruir el flujo de texto a partir de estos fragmentos posicionados. Lee los caracteres en orden y tiene que adivinar dónde termina una línea y comienza otra en función de los cambios de posición vertical. Cuando detecta un salto de línea (un salto en la posición Y), inserta un carácter de salto de línea. El resultado es que cada línea visual en el PDF se convierte en una línea separada en el texto pegado.
Esta es una característica fundamental de cómo funciona la extracción de texto PDF, no un error en ningún visor específico. Algunos PDF incluyen información estructural que ayuda a los espectadores a distinguir entre ajustes suaves de línea (dentro de un párrafo) y saltos de párrafo, pero muchos no lo hacen, especialmente los PDF más antiguos o los exportados desde cierto software.
Cuando es peor: diseños de varias columnas
Los diseños de varias columnas empeoran mucho este problema. Cuando el texto fluye en dos o tres columnas, el visor PDF que extrae el texto en orden de izquierda a derecha y de arriba a abajo a menudo intercala texto de diferentes columnas: una línea de la columna de la izquierda, luego una línea de la columna de la derecha y luego la siguiente línea de la izquierda. La pasta resultante está revuelta y requiere una importante limpieza manual.
Los artículos académicos en formato de dos columnas son famosos por esto. Copiar un párrafo de un trabajo de investigación PDF a menudo produce fragmentos alternos de ambas columnas en lugar de un bloque de texto limpio de una sola columna.
Soluciones rápidas para pequeñas cantidades de texto
Para algunos párrafos, la solución más rápida es una operación de buscar y reemplazar en su editor de texto o procesador de textos después de pegar. Desea reemplazar los saltos de línea simples (que son los no deseados dentro de los párrafos) y mantener los saltos de línea dobles (que separan los párrafos genuinos).
En Microsoft Word, utilice Buscar y buscar. Reemplazar con comodines: reemplaza las marcas de párrafo único (^p) que no van seguidas de otra marca de párrafo, reemplazándolas con un espacio. En un editor de texto plano, la mayoría de las herramientas de buscar y reemplazar le permiten usar expresiones regulares para hacer lo mismo. Esto reduce un pegado roto de 30 líneas a un párrafo que fluye correctamente en segundos.
Mejores enfoques para grandes cantidades de texto
Para extraer grandes cantidades de texto de un PDF, copiar y pegar es la herramienta incorrecta. Convertir el PDF a Word usando un PDF Converter produce mejores resultados porque el proceso de conversión intenta reconstruir la estructura del documento (identificando párrafos, encabezados y diseño) en lugar de simplemente extraer posiciones de caracteres sin formato.
El documento de Word convertido aún necesita revisión, especialmente para diseños complejos, pero la estructura de párrafos generalmente está intacta y no hay saltos línea por línea en todo el documento.
Mejoras específicas del visor
Algunos visores de PDF manejan la extracción de texto mejor que otros. Adobe Acrobat Reader tiene la función "Copiar con formato" opción que hace un mejor trabajo reconstruyendo párrafos que la copia básica. Si extrae texto con regularidad, al probar diferentes visores en el mismo PDF, a veces se encuentra uno que produce resultados más limpios.
En última instancia, la calidad de la extracción de texto depende de cómo se creó el PDF. Un PDF bien estructurado exportado desde un procesador de textos moderno con el etiquetado de párrafos adecuado se extrae limpiamente. Un PDF que se imprimió en un archivo, se convirtió a partir de una imagen o se exportó desde un software que no incorpora información estructural siempre producirá texto roto al copiarlo. Para esos archivos, la conversión a Word es la ruta confiable.