Conviertes una tabla PDF a Excel, abres el resultado y miras una hoja de cálculo con celdas vacías donde deberían estar los números. El PDF original claramente tenía datos en esas posiciones. Puedes verlo en la pantalla. Pero el archivo de Excel apareció con espacios en blanco, valores faltantes o filas enteras reducidas a espacios en blanco. Este es uno de los resultados más frustrantes de la conversión de PDF a Excel porque no es obvio qué salió mal ni cómo solucionarlo.
La causa principal no suele ser la propia herramienta de conversión. Es una falta de coincidencia entre cómo el PDF almacena los datos de su tabla y lo que el motor de conversión espera encontrar. Comprender las razones específicas de las celdas en blanco hace que el problema tenga solución en lugar de ser misterioso.
El PDF contiene una imagen de una tabla, no datos reales de la tabla
Esta es la razón más común por la que aparecen celdas en blanco después de la conversión de PDF a Excel. Si el PDF se creó a partir de un escaneo, una captura de pantalla o una impresión a PDF desde una aplicación que rasterizó su salida, la tabla que ve en la página es una imagen plana. No hay celdas de datos subyacentes, ni estructuras de filas y columnas, ni flujos de texto que una herramienta de conversión pueda analizar.
Cuando una herramienta de conversión encuentra una tabla basada en imágenes, tiene dos opciones: ejecutar OCR para intentar reconocer el texto y reconstruir la estructura de la tabla, u omitir la imagen por completo porque no puede analizarla. Muchos conversores básicos de PDF a Excel toman el segundo camino. Extraen los datos reales que pueden encontrar y dejan de lado el contenido basado en imágenes. El resultado es una hoja de cálculo con celdas en blanco donde estaba la imagen de la tabla. La solución es utilizar un PDF Converter que incluya OCR, como WukongPDF, que reconoce texto en imágenes y reconstruye la cuadrícula de la tabla. La conversión no será perfecta en píxeles, pero los datos aparecerán en celdas en lugar de desaparecer en un espacio en blanco.
El diseño de la tabla utiliza celdas complejas fusionadas o anidadas
Incluso cuando una tabla está hecha de datos de texto reales, la forma en que la estructuró la aplicación original puede derrotar a un motor de conversión. Las aplicaciones como Microsoft Excel, Google Sheets y el software de generación de informes a menudo crean tablas con celdas fusionadas, donde un solo encabezado abarca varias columnas, tablas anidadas, donde una celda contiene otra minitabla en su interior, o encabezados de varios niveles con agrupaciones de columnas principales y secundarias.
El PDF no fue diseñado para representar estructuras de tablas. Fue diseñado para colocar caracteres en coordenadas x,y específicas en una página. Un PDF almacena una tabla como miles de comandos independientes de posicionamiento de caracteres. El motor de conversión debe aplicar ingeniería inversa a la estructura de la tabla analizando la disposición espacial de esos caracteres. Las celdas fusionadas complican enormemente este análisis. Lo que para un lector humano parece una celda lógica, para el motor de conversión parece texto que abarca un área ambigua que podría ser una celda ancha o varias celdas estrechas. Cuando el motor adivina mal, los datos terminan en las columnas incorrectas, divididos en celdas u omitidos porque el motor no pudo resolver la ambigüedad.
No existe una solución universal perfecta para esto porque la estructura de la tabla original se perdió cuando el documento se convirtió a PDF. Si tiene acceso al archivo original, exportar directamente desde Excel o Google Sheets al formato .xlsx, en lugar de la conversión de PDF a Excel, conserva la estructura de la tabla perfectamente. Si el PDF es su única copia, una herramienta de conversión con detección avanzada de tablas, una que le permita definir manualmente los límites de las columnas o ajustar las regiones de la tabla detectadas, le brindará la mejor oportunidad de recuperar los datos limpiamente.
Información delimitadora inconsistente o faltante
Los motores de conversión detectan los límites de las columnas analizando los espacios horizontales entre grupos de caracteres. Si dos columnas están muy juntas, el motor puede fusionarlas en una sola. Si una columna contiene celdas con cantidades de texto muy variables, el motor puede dividir la columna en varias columnas en los puntos estrechos. Ambos errores producen celdas en blanco, ya sea porque los datos que deberían llenar dos columnas separadas se agruparon en una, dejando la otra columna vacía, o porque los saltos de columna fantasma crearon celdas donde no existen datos.
Las tablas con celdas en blanco en el documento original crean una variación particularmente complicada de este problema. Si la tabla original tiene celdas intencionalmente vacías, el motor de conversión ve espacios más grandes y puede cambiar la detección de límites de columna, desalineando cada fila debajo del espacio. Una sola celda en blanco en la fila 3 puede alterar toda la asignación de columnas de las filas 4 a 50, produciendo una cascada de datos desalineados que parece un error de conversión pero que en realidad es una ambigüedad estructural en el documento fuente.
Cómo minimizar las celdas en blanco en su próxima conversión
Varios ajustes prácticos mejoran significativamente su tasa de éxito de conversión. En primer lugar, utilice siempre una herramienta que admita la detección de la estructura de las tablas en lugar de un conversor genérico de PDF a texto. Las herramientas diseñadas específicamente para Extraer datos PDF utilizan algoritmos entrenados en diseños de tablas y producen resultados dramáticamente mejores que la extracción de texto de uso general. La conversión de PDF a Excel de WukongPDF incluye detección de estructura de tablas que maneja diseños comunes que incluyen celdas combinadas, encabezados de varios niveles y tablas con tipos de datos mixtos.
En segundo lugar, verifique el PDF antes de convertirlo. Si puede seleccionar y copiar celdas o columnas de texto individuales de la tabla usando su visor de PDF, la tabla está hecha de datos de texto real y se convertirá razonablemente bien. Si hace clic en la tabla y todo se resalta como un solo bloque, o si la selección de texto no funciona en absoluto, la tabla es una imagen y necesita una conversión basada en OCR.
En tercer lugar, prepárese para limpiar la salida. Incluso las mejores herramientas de conversión producen hojas de cálculo que necesitan algunos ajustes manuales. Verifique las primeras filas de cada columna para verificar que los valores lleguen a las columnas correctas. Busque columnas que estén completamente en blanco cuando pueda ver los datos del PDF original en esa posición. Estas son señales de que la herramienta identificó erróneamente los límites de las columnas. Corregir la asignación de columnas en las primeras filas a menudo hace que las correcciones se apliquen en cascada al resto de la hoja de cálculo.
Qué hacer cuando la conversión sigue produciendo celdas en blanco
Si ha probado varias herramientas y la conversión produce constantemente celdas en blanco en posiciones específicas, es probable que el problema esté en el PDF en sí, no en las herramientas. Los datos de la tabla se pueden almacenar como un gráfico vectorial, donde los números se dibujan como formas en lugar de codificarse como caracteres de texto. Esto sucede con mayor frecuencia con archivos PDF generados por software CAD antiguo, herramientas de generación de informes especializadas o algunos sistemas de planificación de recursos empresariales que generan resultados en PDF mediante comandos de dibujo gráfico en lugar de colocación de texto. En estos casos, el OCR es la única opción y debe revisar y corregir manualmente el resultado porque el OCR de datos tabulares dibujados por vectores es inherentemente propenso a errores.
La alternativa más productiva cuando la conversión automatizada falla repetidamente es tomar una captura de pantalla de la tabla en alta resolución, ejecutarla a través de una herramienta de OCR dedicada que se especializa en el reconocimiento de tablas y exportarla a Excel. Este proceso de dos pasos, captura de pantalla y luego OCR, omite por completo la representación de datos internos del PDF y trata la tabla como una imagen pura, lo que irónicamente puede ser más confiable para ciertos tipos de archivos PDF con formato incorrecto que intentar analizar los datos de texto corruptos o no estándar.