Tienes un PDF con capacidad de búsqueda. Lo conviertes a Word para realizar modificaciones. Guarda el documento editado nuevamente en PDF. El nuevo PDF parece idéntico al original, pero cuando busca una palabra que sabe que está en el documento, la búsqueda no arroja resultados. El texto que se podía buscar en el PDF original es invisible para la función de búsqueda en el nuevo PDF. El viaje de ida y vuelta a través de Word eliminó la capacidad de búsqueda del texto.
La conversión de PDF a Word seguida de la reconversión de Word a PDF es un flujo de trabajo común para editar archivos PDF, pero cada paso de conversión presenta oportunidades de corrupción de la capa de texto. El texto que llega en formato PDF puede almacenarse de manera diferente al original, almacenarse como contornos vectoriales en lugar de códigos de caracteres o rasterizarse en imágenes. Cada uno de estos resultados produce un PDF donde el texto es visible pero no se puede buscar.
Cómo sobrevive o se pierde el texto durante la conversión de formato
En el PDF original con capacidad de búsqueda, el texto se almacena como códigos de caracteres asignados a glifos de fuente. El carácter H se almacena como código ASCII 72, que le indica al lector de PDF que muestre el glifo de H de la fuente incrustada. La función de búsqueda escanea los códigos de caracteres del término de búsqueda y resalta las posiciones correspondientes en la página. Este almacenamiento basado en códigos de caracteres es lo que hace que el texto se pueda buscar.
Cuando el PDF se convierte a Word, el convertidor extrae los códigos de caracteres y los escribe en el documento de Word como texto editable. El texto en Word se puede buscar porque Word lo almacena como códigos de caracteres Unicode. La conversión de PDF a Word conserva la capacidad de búsqueda siempre que el convertidor extraiga correctamente los códigos de caracteres.
Cuando el documento de Word editado se guarda nuevamente en PDF, el motor de PDF de Word debe decidir cómo almacenar el texto. La configuración predeterminada almacena el texto como códigos de caracteres con fuentes incrustadas, preservando la capacidad de búsqueda. Sin embargo, ciertas funciones de Word y configuraciones de PDF hacen que el texto se almacene como contornos vectoriales o se rasterice como imágenes.
Los efectos de texto en Word, como sombras de texto, reflejos, brillo y rotación 3D, hacen que el motor PDF de Word convierta el texto afectado en imágenes. El texto parece correcto visualmente pero no tiene códigos de caracteres que la función de búsqueda pueda encontrar. La propiedad PDF Searchable se pierde para cualquier texto al que se le hayan aplicado efectos visuales.
Cómo preservar la capacidad de búsqueda de texto durante el viaje de ida y vuelta
Antes de guardar el documento de Word editado en PDF, verifique la configuración de guardado. En Word, abra Archivo, Opciones, Guardar y asegúrese de que esté marcada Insertar fuentes en el archivo. Esta configuración garantiza que las fuentes se incrusten como texto basado en caracteres en lugar de convertirse en contornos o imágenes.
Evite aplicar efectos de texto al contenido que debe seguir siendo apto para búsquedas. Utilice formato de negrita, cursiva y color en lugar de efectos de sombra, reflejo y brillo. La distinción visual se puede lograr sin sacrificar la capacidad de búsqueda.
WukongPDF proporciona herramientas PDF Converter que pueden procesar archivos PDF para optimizar el almacenamiento de texto. Si se creó un PDF con texto que no se puede buscar, el OCR puede agregar una capa de texto con capacidad de búsqueda detrás del contenido visual existente.
Verificación de la capacidad de búsqueda después de la reconversión
Después de guardar el documento de Word en PDF, abra el PDF y pruebe la función de búsqueda. Busca una palabra que aparece en cada página. Si alguna página no arroja resultados para una palabra que está visiblemente presente, esa página tiene texto que no se puede buscar. La prueba de búsqueda tarda unos segundos y detecta la pérdida de capacidad de búsqueda antes de que se distribuya el documento.
Si se perdió la capacidad de búsqueda, ejecute OCR en el PDF reconvertido para agregar una capa de texto con capacidad de búsqueda. El OCR reconoce el texto visible y crea códigos de caracteres detrás de él. Luego, la función de búsqueda puede encontrar el texto a través de los códigos de caracteres generados por OCR. Esta es una solución post-hoc, no una prevención, pero restaura la capacidad de búsqueda en un PDF que no se puede buscar.
Para documentos que requieren capacidad de búsqueda garantizada, evite por completo el viaje de ida y vuelta de PDF a Word a PDF. Edite el documento fuente original, el archivo de Word, el archivo de InDesign, el documento de Google y exporte un PDF nuevo. La exportación única desde el origen a PDF preserva la capacidad de búsqueda sin pasos de conversión intermedios.
El modo de compatibilidad de Word afecta la salida de PDF. Los documentos guardados en el formato DOC anterior en lugar de DOCX pueden utilizar diferentes métodos de almacenamiento de texto que afectan la capacidad de búsqueda de PDF. Guarde los documentos en el formato DOCX actual antes de exportarlos a PDF.
El texto en los cuadros de texto de Word puede rasterizarse durante la exportación de PDF dependiendo del formato del cuadro de texto. Es más probable que los cuadros de texto con efectos de relleno, rotación o cambios de dirección del texto estén rasterizados que los cuadros de texto sin formato.
Cuando el texto se rasteriza durante la exportación de PDF, se convierte en una imagen de texto en lugar de texto codificado. La imagen se muestra correctamente, pero los caracteres son píxeles, no códigos. OCR puede recuperar el texto, pero el texto de OCR puede contener errores de reconocimiento.
Las opciones de exportación de PDF en Word incluyen una configuración de texto de mapa de bits cuando es posible que las fuentes no estén incrustadas. Esta configuración rasteriza el texto que utiliza fuentes con restricciones de incrustación. Garantizar que todas las fuentes permitan la incrustación evita esta rasterización forzada.
Después de la conversión de ida y vuelta, compare el tamaño del archivo del PDF original y el PDF reconvertido. Un PDF reconvertido significativamente más grande puede indicar que el texto se rasterizó en imágenes, que consumen más espacio de almacenamiento que el texto codificado.
Algunos convertidores de PDF a Word ofrecen un modo de conversión basado en OCR para archivos PDF escaneados y un modo de extracción de texto para archivos PDF digitales. Usar el modo incorrecto produce resultados inesperados. Los PDF digitales deben utilizar extracción de texto, no OCR, para preservar la codificación de caracteres original.
Cuando se pierde la capacidad de búsqueda de texto, la función Buscar en el visor de PDF no devuelve resultados para las palabras que están visiblemente presentes. La búsqueda de palabras comunes como o y en cada página confirma rápidamente si todo el documento tiene texto con capacidad de búsqueda.
Para documentos que deben mantener la capacidad de búsqueda a través de múltiples ciclos de edición, establezca un documento maestro en un formato editable, Word, Google Docs o InDesign, y trate el PDF como un formato de distribución de solo lectura. Todas las ediciones se realizan en el maestro y el PDF se regenera a partir del maestro después de cada ciclo de edición.
Los verificadores de accesibilidad pueden verificar la capacidad de búsqueda de texto e identificar páginas con texto que no se puede buscar. Ejecute una verificación de accesibilidad en el PDF reconvertido para confirmar que todo el texto esté codificado y sea accesible.
El estándar PDF/UA requiere que todo el texto esté codificado como caracteres Unicode, lo que garantiza la capacidad de búsqueda y el acceso al lector de pantalla. La exportación a PDF/UA desde Word exige requisitos de codificación de texto que preservan la capacidad de búsqueda.
La opción del convertidor de PDF a Word afecta la preservación del texto. Los convertidores que priorizan la fidelidad visual sobre la editabilidad del texto pueden rasterizar el texto que utiliza fuentes o posiciones inusuales. Los convertidores que priorizan la editabilidad del texto pueden producir resultados con mayor capacidad de búsqueda.
Cuando el texto se almacena como ligaduras, fi, fl, ffi, en el PDF, el convertidor puede dividir la ligadura en caracteres separados o conservarla como un solo carácter. El comportamiento de la función de búsqueda depende de cómo se manejó la ligadura durante la conversión.
Prevención de la pérdida de capacidad de búsqueda en conversiones futuras
El texto que originalmente estaba basado en vectores en el PDF de origen se puede convertir a imágenes rasterizadas durante la exportación de Word a PDF si el documento de Word utiliza funciones como WordArt, SmartArt o gráficos de Excel incrustados. Estas características se representan como imágenes en la salida PDF.
La configuración de creación de PDF en Word incluye una opción para crear marcadores a partir de encabezados. Esta opción preserva la estructura del documento pero no afecta la capacidad de búsqueda de texto. Los marcadores y la capacidad de búsqueda son características independientes.
Al probar la capacidad de búsqueda buscando una palabra que aparece en cada página, como una palabra común en el idioma del documento, se identifican rápidamente las páginas con texto que no se puede buscar. Si alguna página no arroja resultados para una palabra común, esa página tiene un problema de codificación de texto.
Comprender las condiciones bajo las cuales se pierde la capacidad de búsqueda de texto durante el viaje de ida y vuelta de PDF a Word y a PDF permite a los creadores de documentos tomar decisiones informadas sobre su flujo de trabajo de edición y preservar la accesibilidad y la capacidad de búsqueda de su contenido.
Preservar la capacidad de búsqueda de texto a través del viaje de ida y vuelta de PDF a Word a PDF requiere prestar atención a la configuración de conversión en cada paso y comprender qué características de Word hacen que el texto se rasterice en lugar de codificarse como caracteres.
Para documentos donde la capacidad de búsqueda de texto es un requisito, establecer un flujo de trabajo que conserve el texto codificado original a través de cada conversión de formato es más eficiente que intentar restaurar la capacidad de búsqueda después de que se haya perdido.
La capacidad de búsqueda de texto es una característica que los usuarios dan por sentada hasta que desaparece, y restaurar la capacidad de búsqueda en un PDF que no se puede buscar requiere reprocesar desde la fuente original o ejecutar OCR en las páginas afectadas para recrear la capa de texto.
El viaje de ida y vuelta de PDF a Word a PDF es un flujo de trabajo de edición común que presenta múltiples oportunidades para que la codificación de texto se degrade o se pierda, y comprender cada punto de riesgo ayuda a los usuarios a preservar la capacidad de búsqueda durante todo el proceso.
La capacidad de búsqueda de texto no es una característica cosmética sino una capacidad fundamental del documento que afecta la accesibilidad, la capacidad de búsqueda y la capacidad de extraer y reutilizar el contenido para otros usos.
La elección del conversor de PDF a Word afecta significativamente el resultado del viaje de ida y vuelta, ya que los conversores optimizados para la editabilidad del texto producen más resultados con capacidad de búsqueda que los optimizados para la fidelidad visual.
Cuando se pierde la capacidad de búsqueda durante el viaje de ida y vuelta, el OCR puede restaurar una capa de texto con capacidad de búsqueda, pero el texto del OCR contendrá errores de reconocimiento que deben corregirse para que el documento sea completamente confiable.
Para documentos donde la capacidad de búsqueda es un requisito, mantener el archivo fuente original y exportar archivos PDF nuevos después de cada ciclo de edición es más confiable que recorrer Word de ida y vuelta.
El formato PDF conserva el texto de una manera fundamentalmente diferente a los formatos de procesamiento de textos, y cada traducción entre estas representaciones introduce el riesgo de pérdida de información en la codificación del texto.
| Etapa ida y vuelta | Riesgo de búsqueda | Mitigación |
|---|---|---|
| PDF a Word (extracción) | Bajo si se utiliza un convertidor de extracción de texto | Usar convertidor con modo de extracción de texto |
| Edición en Word | Ninguno; El texto de Word siempre se puede buscar | Evite los efectos de texto (sombra, brillo, 3D) |
| Word a PDF (exportar) | Medio; Los efectos causan rasterización. | Incrustar fuentes; evitar efectos en el texto buscable |
| Verificación post-exportación | N / A | Busque palabras comunes en cada página |