Convertir un PDF a Word ya es bastante complicado cuando el documento fuente está en inglés, con un orden de lectura simple de izquierda a derecha y de arriba a abajo. Cuando el documento fuente está en árabe, hebreo, persa o urdu, la conversión también debe determinar correctamente que el texto fluye de derecha a izquierda, que los números dentro del texto RTL se escriben de izquierda a derecha y que el diseño general de la página comienza desde el lado derecho. La mayoría de los convertidores de PDF a Word están diseñados y probados principalmente en documentos LTR, y su rendimiento en contenido RTL varía desde imperfecto hasta completamente inutilizable.
El formato PDF no almacena explícitamente el orden de lectura como propiedad del texto. Almacena ejecuciones de texto individuales como glifos colocados en la página. Para el texto LTR, un convertidor puede asumir razonablemente que el texto se lee de izquierda a derecha y de arriba a abajo porque coincide con el diseño físico. Para el texto RTL, esta suposición es exactamente incorrecta. Una línea de texto árabe que se lee de derecha a izquierda en la página será invertida mediante un conversor que asume el orden LTR, lo que produce una salida en la que cada línea se escribe al revés. Este no es un problema de formato menor. Una línea invertida en árabe es ilegible para un hablante de árabe.
Un estudio de 2025 sobre la precisión de la extracción de PDF a texto en varios idiomas encontró que las tasas de error de extracción RTL eran 3,6 veces mayores que las tasas de error de extracción LTR en el mismo conjunto de herramientas de conversión, siendo la inversión del orden de las palabras el tipo de error más común (Computational Linguistics Institute, "Multilingual PDF Text Extraction Accuracy", 2025). El estudio también encontró que los errores no fueron aleatorios. Las herramientas específicas manejaron consistentemente RTL correctamente o produjeron resultados invertidos sistemáticamente, lo que significa que elegir la herramienta adecuada para la conversión RTL es más importante que ajustar la configuración de conversión, y cambiar de herramienta puede arreglar una conversión que parece irremediablemente rota.
Cómo PDF almacena texto RTL y por qué falla la extracción simple
Dentro de un PDF, el texto se almacena como una secuencia de índices de glifos y comandos de posicionamiento. Para cada ejecución de texto, el PDF especifica la fuente, los códigos de glifos para los caracteres y las coordenadas X e Y de cada glifo en la página. No hay ninguna bandera explícita que diga "este texto es árabe" o "esta línea se lee de derecha a izquierda". Un PDF Converter debe inferir la dirección del texto a partir de los códigos de caracteres Unicode, que codifican la direccionalidad a través del algoritmo bidireccional Unicode. Los caracteres árabes y hebreos tienen una dirección RTL intrínseca y el algoritmo Unicode especifica cómo reordenar una secuencia mixta de caracteres RTL y LTR para su visualización.
El problema es que el orden de extracción sin formato de los glifos de un PDF puede no coincidir con el orden lógico de los caracteres en el texto original. Un escritor de PDF es libre de colocar glifos en la página en cualquier orden, y algunos programas de escritura colocan glifos RTL de izquierda a derecha en el flujo de contenido, aunque el orden de lectura sea de derecha a izquierda. Un convertidor que concatena ingenuamente los glifos en orden de extracción producirá texto que se lea correctamente o al revés, dependiendo de cómo el escritor del PDF original eligió codificar el texto. El mismo documento árabe, cuando se imprime en PDF desde dos procesadores de texto diferentes, puede producir flujos de contenido con diferente orden de glifos, y un conversor que funcione perfectamente para uno puede producir texto invertido para el otro.
El algoritmo bidireccional Unicode, especificado en el Anexo 9 del estándar Unicode, define cómo reordenar una secuencia de caracteres con direccionalidad mixta para su visualización. Un convertidor que implemente correctamente este algoritmo puede manejar la mayoría del texto RTL correctamente, independientemente del orden de los glifos en el flujo de contenido PDF. Sin embargo, la calidad de la implementación varía. El algoritmo maneja bien los casos comunes, pero tiene casos extremos que involucran anulaciones direccionales anidadas, puntuación en los límites de dirección y texto de escritura mixta, como un término técnico en inglés dentro de una oración en árabe.
Elección de un convertidor que maneje el orden de lectura RTL
Los conversores más fiables para documentos RTL son aquellos que implementan el algoritmo bidireccional Unicode durante la extracción de texto. Adobe Acrobat Pro y varias bibliotecas de código abierto, incluidas Apache PDFBox y pdfplomber, admiten este algoritmo en diversos grados. Antes de comprometerse con un convertidor para un lote de documentos RTL, pruébelo con una única página representativa. Extraiga el texto a Word y compare el resultado, palabra por palabra, con el PDF original. Verifique la inversión del orden de las palabras dentro de las oraciones, la ubicación correcta de los números dentro del texto RTL y las secuencias LTR/RTL mixtas, como el nombre de una empresa en inglés dentro de un párrafo en árabe.
Si su convertidor invierte constantemente el texto RTL, a veces puede solucionar el problema utilizando una ruta de conversión que pase por un formato intermedio. Convierta el PDF a HTML o a un formato de texto etiquetado utilizando una herramienta que maneje correctamente RTL. Luego importe el formato intermedio a Word. Este proceso de dos pasos es menos conveniente que la conversión directa de PDF a Word, pero cuando la ruta directa produce texto invertido, la ruta indirecta es la única ruta automatizada hacia una salida utilizable.
WukongPDF admite la conversión compatible con RTL que aplica la dirección de lectura correcta y la alineación del texto automáticamente cuando los metadatos del documento fuente indican un idioma RTL. El conversor detecta la escritura principal del documento y aplica las reglas direccionales apropiadas durante la extracción del texto, produciendo un documento de Word con la dirección de los párrafos, la alineación del texto y el orden de los caracteres correctos.
Preservar la estructura del diseño de página con documentos RTL
El orden de lectura afecta más que solo el texto. Todo el diseño de página de un documento RTL se refleja en relación con un documento LTR. La primera página de un libro árabe es lo que un lector inglés consideraría la última página. Las mesas van de derecha a izquierda. Las listas tienen sangría a la derecha. El margen de encuadernación se encuentra en el lado derecho de las páginas de la derecha. Una conversión que maneja correctamente la dirección del texto pero no ajusta la estructura del diseño producirá un documento de Word donde el texto se lee correctamente pero todo está colocado como si fuera un documento LTR, con párrafos alineados a la izquierda y listas con sangría izquierda que parecen incorrectas para un lector RTL.
Cuando la conversión de PDF a Word está destinada a editar y reexportar, preservar el diseño Formato PDF es menos crítico porque el editor ajustará la estructura. Cuando la conversión es para fines de archivo o referencia, donde el documento de Word debe coincidir visualmente con el PDF original, la preservación del diseño es más importante. En estos casos, elija un convertidor que conserve la posición del cuadro de texto, el diseño de las columnas y la alineación de los márgenes del original. Después de la conversión, verifique manualmente que la dirección del texto sea correcta en cada página. Verifique que la alineación del párrafo esté configurada como alineada a la derecha para texto árabe y hebreo en lugar de la alineación a la izquierda predeterminada. Verifique que las tablas tengan sus columnas en el orden correcto de derecha a izquierda. Estas comprobaciones manuales detectan problemas que la conversión automatizada no puede detectar porque el convertidor no comprende el significado semántico del contenido.