PDF a Word: revisar texto, OCR y estructura antes de exportar
Admin ·
PDF a Word lee las páginas seleccionadas en el navegador, permite corregir el contenido obtenido y crea un archivo DOCX editable. Empieza con un intervalo breve y representativo. Usa el texto existente, OCR para escaneos impresos o la reconstrucción opcional de la estructura y compara la revisión con el original antes de descargar.
Un PDF describe páginas con posiciones fijas. Un documento de Word editable contiene párrafos, tablas y otros elementos que pueden redistribuirse. La conversión reconstruye contenido y no garantiza líneas, fuentes ni saltos de página idénticos. Conserva el PDF de origen y revisa el Word en el programa donde vayas a utilizarlo.
Empieza con una página que permita detectar problemas
Elige un PDF o arrástralo al espacio de trabajo. Los valores iniciales son lectura automática, OCR en inglés y párrafos simples editables. Indica un intervalo breve en «Páginas», introduce la contraseña conocida si hace falta y pulsa «Leer texto del PDF». Seleccionar el archivo por sí solo no crea una descarga de Word.
Elige una muestra con las características necesarias: texto normal, un escaneo, una tabla o dos columnas. Si importan las tablas, los títulos, las listas o las figuras, activa «Reconstruir la estructura del documento» antes de leer. Esto cambia la revisión y el tipo de salida inicial. Comprueba el primer resultado antes de procesar una selección mayor.
- Conserva el PDF original como referencia visual.
- Elige expresamente el idioma impreso para OCR; el idioma de la interfaz no selecciona el modelo.
- Comprueba nombres, números, líneas ausentes y orden de lectura antes de exportar.
Soporte de Microsoft: abrir PDFs en Word y límites de conversión
Elige cómo leer las páginas seleccionadas
«Automático» usa el texto existente cuando la extracción, tras quitar los espacios de los extremos, no está vacía. Solo aplica OCR a las páginas sin ese texto. No comprueba que la capa de texto esté completa ni sea correcta. Por eso, en una página con un encabezado sobre una factura escaneada, puede extraer solo el encabezado y omitir las palabras de la imagen.
Elige «OCR · cada página seleccionada» cuando las palabras importantes estén dentro de imágenes o la capa de texto sea inutilizable. Las páginas seleccionadas se renderizan como imágenes y se reconoce su texto impreso, incluido el texto visible que ya existía. Pueden aparecer errores nuevos. Vuelve a comparar el resultado: OCR no mejora automáticamente cualquier documento.
| Método | Punto de partida adecuado | Principal límite |
|---|---|---|
| Automático | Páginas de texto normal y páginas escaneadas separadas en un documento | Una capa de texto parcialmente útil puede impedir OCR en una página mixta |
| Solo texto existente del PDF | Revisar texto seleccionable sin reconocimiento OCR | Pueden faltar texto dentro de imágenes y valores de campos de formulario |
| OCR · cada página seleccionada | Escaneos impresos, páginas mixtas o una capa de texto inutilizable | Hasta 10 páginas OCR; revisa el reconocimiento |
Formación de Adobe Acrobat: escanear documentos y aplicar OCRDocumentación de Tesseract: mejorar la calidad del reconocimientoTesseract.js: reconocimiento de imágenes y límites de compatibilidad PDF
Especifica los intervalos y comprueba su orden
Dejar «Páginas» vacío selecciona todo el documento de origen. Con 1-3, 5 se leen las tres primeras páginas y después la quinta. Cada intervalo debe ser ascendente, pero las entradas separadas conservan el orden escrito. Por ejemplo, 3,1,3 produce tres entradas de revisión: página tres, página uno y página tres otra vez. Las repeticiones vuelven a contar para los límites de selección y OCR.
El documento de origen puede tener hasta 300 páginas y cada operación admite hasta 50 páginas seleccionadas. Elegir una sola página de un documento de 301 páginas no evita el límite del origen. Divide antes el documento en PDFs adecuados. Para escaneos multilingües, lee intervalos separados con el idioma OCR correspondiente; no presupongas una detección automática del idioma de toda la selección.
API de PDF.js: cargar documentos, leer texto y renderizar páginas
Elige el idioma impreso y prepara escaneos legibles
OCR ofrece inglés, francés, alemán, italiano, portugués, español, chino simplificado, hindi, árabe y bengalí. Un modelo elegido se aplica a todas las páginas OCR de la lectura. Las interfaces en indonesio y urdu no añaden modelos de reconocimiento para esos idiomas. No se admiten escritura a mano ni idiomas fuera de esta lista. OCR no traduce el texto.
Las páginas nítidas, bien orientadas y con impresión legible son un mejor punto de partida que los escaneos borrosos, inclinados o de baja resolución. Las páginas OCR se renderizan a 200 píxeles por pulgada del PDF; no hay una resolución ajustable ni mejora de escaneos. El OCR de estructura usa cajas de palabras sin rotar y desactiva la corrección automática de inclinación. Corrige la orientación antes de importar si es necesario. Incluso con alta confianza pueden faltar líneas o aparecer identificadores incorrectos.
Documentación de Tesseract: mejorar la calidad del reconocimientoTesseract.js: reconocimiento de imágenes y límites de compatibilidad PDF
Compara y corrige cada página original
La revisión muestra la página original junto al texto editable y permite cambiar de página. Comprueba nombres propios, fechas, separadores decimales, cuentas, puntuación y líneas completas. Conserva identificadores como 9007199254740993 en forma de texto: el conversor no exige redondearlos ni tratarlos como números de una hoja de cálculo.
En texto simple puedes editar directamente. Los saltos de línea se convierten en párrafos de Word. También puedes rellenar una revisión vacía si la lectura sin OCR no encontró texto existente. Sin embargo, no se puede crear Word a partir de una revisión de texto totalmente vacía. Si falta el contenido impreso de un escaneo, vuelve a leer con OCR y revisa la extracción nueva. Una nueva lectura descarta la revisión anterior; descarga primero las correcciones que quieras conservar.
Soporte de Microsoft: abrir PDFs en Word y límites de conversiónDocumentación de Tesseract: mejorar la calidad del reconocimiento
Reconstruye bloques para obtener un diseño editable
El modo de estructura intenta reconstruir párrafos, títulos, listas compatibles, tablas, regiones de una o dos columnas y figuras. Las etiquetas PDF útiles pueden ayudar; el resto del contenido se agrupa según su posición y apariencia. Ni las etiquetas ni las suposiciones geométricas garantizan un orden de lectura correcto. Compara los bloques con el original y muévelos, edítalos o elimínalos cuando sea necesario.
Las celdas de tabla siguen siendo editables, también en tablas añadidas manualmente. Revisa la correspondencia de las columnas, los encabezados combinados y el orden de lectura de las celdas. Las listas de distintas páginas de origen reciben definiciones de numeración separadas en Word; comprueba sus continuaciones y reinicios. Un documento puede parecer correcto y aun así colocar el texto de la columna derecha antes que el de la izquierda.
| Área de revisión | Corrección útil | Comprobar tras exportar |
|---|---|---|
| Títulos y listas | Elegir niveles, estilos y numeración; ordenar bloques | Jerarquía de títulos y continuidad de listas |
| Tablas | Corregir texto de celdas, filas, columnas e interpretación de combinaciones | Cada valor queda bajo el encabezado previsto |
| Columnas y figuras | Revisar la secuencia de regiones y añadir o quitar recortes | Orden de lectura, gráficos ausentes y texto duplicado |
Soporte de Microsoft: abrir PDFs en Word y límites de conversiónAPI de PDF.js: cargar documentos, leer texto y renderizar páginas
Comprueba fuentes, colores y recortes de figuras
El modo de estructura puede conservar nombres de familias tipográficas asociados, tamaños y colores sólidos de texto compatibles, y ofrece opciones para corregirlos. No incrusta las fuentes originales. El navegador o el procesador de textos puede sustituir familias no disponibles. Transparencias, patrones, contornos y recortes no se reproducen como una representación exacta del PDF. Lee los avisos y compara la vista previa.
Las figuras son recortes renderizados, no los archivos de imagen originales incrustados. La estructura nativa usa una representación de página a 150 PPI y puede omitir imágenes de página completa o que se superponen al texto para evitar duplicaciones. Los gráficos vectoriales, máscaras e imágenes repetidas o agrupadas pueden requerir un recorte manual. El recorte puede contener píxeles de texto que también están en bloques editables. Revisa ambas versiones para evitar duplicados. El OCR de estructura no convierte automáticamente cada imagen en una figura independiente.
Soporte de Microsoft: abrir PDFs en Word y límites de conversiónAPI de PDF.js: cargar documentos, leer texto y renderizar páginas
Ten en cuenta que texto y estructura conservan cambios separados
Cuando existe una revisión estructurada, «Contenido de Word» permite elegir entre «Estructura revisada» y «Párrafos simples editables». Cada representación conserva sus propias modificaciones. Corregir una tabla en la estructura no reescribe el texto simple; editar texto simple no actualiza los bloques. Elige la versión deseada antes de descargar DOCX o texto.
Cambiar las opciones de lectura, elegir otro archivo o volver a leer descarta la revisión. Cambiar solo las opciones de salida de Word conserva el contenido revisado y elimina el resultado anterior para que lo generes de nuevo. También borra el error de exportación que estuviera visible. Aun así, la siguiente exportación debe terminar correctamente.
API de PDF.js: cargar documentos, leer texto y renderizar páginas
Elige el tamaño de página y revisa el DOCX creado
La salida de texto simple ofrece US Letter o A4 y crea párrafos editables sin reproducir tablas, imágenes, enlaces, formularios, fuentes ni diseño originales. La salida estructurada usa los bloques revisados y también permite las dimensiones de las páginas de origen. Al activar la reconstrucción se eligen inicialmente estructura y dimensiones originales. Al pasar a texto simple, una medida de origen seleccionada cambia a Letter.
La opción de salto de página inicia cada página de origen en una página nueva de Word, pero no garantiza la misma paginación dentro de ella. El texto, los márgenes, las fuentes de sustitución y el procesador de textos afectan al flujo. Pulsa «Crear documento de Word →», espera el resultado y descarga el DOCX. La propia reconstrucción exige páginas de origen de entre 0,5 y 22 pulgadas por lado. Si están fuera de ese intervalo, desactiva la reconstrucción y vuelve a leer para obtener texto simple en Letter o A4, o prepara primero un PDF de tamaño estándar. Siguen aplicándose los demás límites de entrada y renderizado.
Soporte de Microsoft: abrir PDFs en Word y límites de conversión
Comprueba por separado los límites de archivo, selección y texto
El límite de entrada de 50 MB equivale a 50000000 bytes. Además se aplican límites de páginas y renderizado: un archivo comprimido pequeño puede contener una página enorme. Seleccionar menos páginas reduce el trabajo total, pero no evita la cantidad máxima de páginas del origen ni el límite del archivo. La estructura y OCR generan imágenes de página mayores que la vista previa de texto simple.
Los límites de texto cuentan unidades UTF-16 de JavaScript, no caracteres visibles. Algunos símbolos ocupan dos unidades y las secuencias combinadas pueden ocupar más. El total de revisión mostrado no incluye los separadores que después se insertan entre páginas para TXT y el contador. La exportación estructurada limita también bloques, fragmentos de texto con formato, figuras y tablas. Si alcanzas un límite, reduce la selección o simplifica el documento revisado.
| Área | Límite implementado | Qué hacer al alcanzarlo |
|---|---|---|
| PDF de origen | 50000000 bytes y 300 páginas | Dividir o reducir primero el origen |
| Páginas seleccionadas | 50 entradas; hasta 10 con OCR | Elegir un intervalo menor y evitar repeticiones accidentales |
| Texto revisado/exportado | 1000000 unidades UTF-16; DOCX simple hasta 20000 párrafos | Exportar por partes menores |
| Páginas renderizadas | 8192 píxeles por lado; 8000000 píxeles por imagen de página; 80000000 en total | Usar un intervalo menor o páginas de origen de tamaño estándar |
| Recursos iniciales de revisión | 50000000 bytes en total para vistas previas, representaciones originales y figuras | Usar menos páginas o texto simple |
| DOCX estructurado | 2000 bloques, 50000 fragmentos con formato, 100 figuras y 50000000 bytes de figuras; salida hasta 100000000 bytes | Simplificar bloques y figuras o dividir la operación |
| Cada tabla estructurada | 200 filas, 12 columnas y 2000 celdas | Dividir la tabla grande en partes adecuadas |
| Tiempo de procesamiento | 180 segundos para leer; 60 segundos para crear Word | Reintentar una operación menor en un dispositivo disponible |
API de PDF.js: cargar documentos, leer texto y renderizar páginasTesseract.js: reconocimiento de imágenes y límites de compatibilidad PDF
Usa el mensaje de error para decidir el siguiente paso
La extensión .pdf no garantiza un contenido PDF legible. Este flujo usa un diagnóstico PDF estricto con una excepción limitada para avisos reparables de fuentes. Puede rechazar un archivo dañado que otro visor muestre tras repararlo. Una vista previa correcta en otro programa no demuestra que aquí puedan reconstruirse el texto o la estructura de forma fiable.
Si la lectura falla o se cancela, la interfaz no ofrece una selección parcial de páginas revisadas. Corrige la entrada o las opciones y vuelve a leer. Si falla la creación de Word, se conserva la revisión para corregirla o descargar TXT. Si una herramienta local o un modelo no están disponibles, quizá deban descargarse correctamente los recursos necesarios del sitio antes de reintentar.
| Síntoma | Qué comprobar | Siguiente paso |
|---|---|---|
| No aparece texto de un escaneo | El modo de texto existente no lee píxeles | Elegir Automático u OCR en cada página |
| Solo se extrajo el encabezado | La página mixta contiene algo de texto seleccionable | Forzar OCR y comparar la página completa |
| Palabras incorrectas o ausentes | Idioma, calidad del escaneo o límites de reconocimiento | Elegir el modelo adecuado y corregir con el original |
| Límite de páginas o renderizado | Tamaño del origen, cantidad seleccionada o dimensiones de imagen | Preparar un origen o intervalo menor |
| Diseño DOCX diferente | Reconstrucción, fuentes de sustitución o flujo en Word | Revisar bloques y comprobar el documento exportado |
API de PDF.js: cargar documentos, leer texto y renderizar páginasDocumentación de Tesseract: mejorar la calidad del reconocimiento
Usa la contraseña conocida y guarda las correcciones
Para un PDF protegido, introduce la contraseña correcta en el campo local y comienza la lectura. No es una recuperación de contraseñas. El campo se vacía después de cada intento, incluidos los fallos y las cancelaciones, por lo que puede ser necesario rellenarlo de nuevo. Cancelar mantiene seleccionado el PDF.
«Cancelar» detiene la lectura o exportación actual. «Borrar archivo» elimina el origen, la contraseña, el intervalo y la revisión; otras opciones de lectura y Word pueden conservarse. Compruébalas antes de usar otro documento. Descarga los cambios necesarios antes de borrar, volver a leer o abandonar la página. Una revisión visible todavía no es un documento guardado.
API de PDF.js: cargar documentos, leer texto y renderizar páginas
Descarga TXT o envía el texto al contador de palabras
«Descargar texto revisado» utiliza la representación seleccionada en «Contenido de Word». En estructura, toma el texto de los bloques revisados, incluido el de tablas y los marcadores de lista aplicables; los píxeles de las figuras no aportan texto. El TXT contiene todas las páginas revisadas en orden de selección, separadas por dos saltos de línea.
«Contar el texto revisado →» envía ese mismo texto al contador de palabras en la pestaña actual. Su límite de 1000000 unidades incluye los separadores añadidos entre páginas. Una revisión en su propio límite puede resultar demasiado grande para el envío. Descarga partes menores si es necesario. El envío es temporal y no se almacena en una URL ni en el almacenamiento del navegador. Borrar en el contador elimina el texto transferido y el historial de deshacer.
API de PDF.js: cargar documentos, leer texto y renderizar páginas
Distingue el procesamiento local de las descargas del sitio
El PDF, la contraseña, la revisión y la creación de Word se procesan en tu dispositivo. Este flujo no sube los bytes del documento para convertirlos. Abrir el sitio sigue solicitando páginas y scripts; los recursos auxiliares de PDF o el modelo OCR seleccionado pueden descargarse cuando hagan falta. Los servicios de análisis del sitio también pueden enviar solicitudes. El procesamiento local no garantiza un primer uso totalmente sin conexión ni ausencia de actividad de red.
Leer texto existente no requiere un modelo OCR. Si se necesita reconocimiento, se carga el modelo elegido junto con el motor OCR, no todos los modelos automáticamente. Una descarga fallida puede impedir el reconocimiento aunque el documento se procese localmente. Descarga los archivos terminados para conservarlos independientemente de la pestaña.
Tesseract.js: reconocimiento de imágenes y límites de compatibilidad PDFAPI de PDF.js: cargar documentos, leer texto y renderizar páginas
Comprueba el resultado antes de compartirlo
En facturas, compara con el PDF el nombre del cliente, el identificador, las líneas, las cantidades, los separadores decimales y el total. En informes, revisa también niveles de títulos, continuidad de listas, orden de columnas, encabezados de tablas y pies de figuras. La confianza OCR es una estimación del motor, no una precisión medida para tu documento.
Abre el DOCX descargado en el editor previsto y revisa las páginas con una ampliación legible. Corrige allí el flujo o modifica la revisión de origen y exporta otra vez. Conserva el PDF junto a la versión editable cuando importe su disposición original. Para una copia visual fija, puede ser más útil mantener el PDF que intentar reproducir cada detalle en Word.
Soporte de Microsoft: abrir PDFs en Word y límites de conversiónDocumentación de Tesseract: mejorar la calidad del reconocimiento
Preguntas frecuentes
¿Cómo convierto un PDF en Word editable?
Elige un PDF, un método de lectura y un intervalo; pulsa «Leer texto del PDF». Compara y edita la revisión, selecciona las opciones de Word, crea el documento y descarga el DOCX.
¿Se pueden leer páginas PDF escaneadas?
Sí, para los idiomas impresos compatibles y dentro de los límites OCR. Automático aplica OCR solo cuando la extracción no produce texto no vacío. Elige OCR en cada página si hay una página mixta o una capa de texto inutilizable.
¿Por qué Automático omite texto de una imagen?
Comprueba que la extracción existente no esté vacía, no que abarque toda la página. Un encabezado seleccionable puede impedir OCR en el resto. El OCR forzado puede reconocer las palabras de la imagen; revisa igualmente el resultado.
¿El idioma de la interfaz determina el idioma OCR?
No. El modelo inicial es inglés. Elige expresamente el idioma impreso. Hay diez modelos; indonesio y urdu son idiomas de interfaz sin modelos OCR correspondientes aquí.
¿OCR traduce texto o reconoce escritura a mano?
Reconoce texto impreso compatible, sin traducirlo. No se admiten escritura a mano ni idiomas fuera de la lista de modelos ofrecidos.
¿El Word será idéntico al PDF?
No. El texto simple crea párrafos editables. La salida estructurada reconstruye bloques y figuras compatibles; las fuentes sustituidas, agrupaciones inciertas y el flujo de Word pueden cambiar el resultado. Revisa el archivo descargado.
¿Puedo editar tablas, títulos y columnas?
Activa la reconstrucción antes de leer y revisa los bloques detectados. Comprueba niveles de títulos, numeración, celdas, encabezados combinados, orden de columnas y figuras. Incluso con etiquetas PDF, la detección es aproximada.
¿Editar texto también cambia la versión estructurada?
No. Las dos representaciones conservan cambios separados. «Contenido de Word» determina qué versión se usa en DOCX, TXT y el texto enviado al contador.
¿Cuántas páginas puedo convertir a la vez?
El origen admite hasta 300 páginas. Una operación selecciona hasta 50 entradas y como máximo 10 pueden necesitar OCR. Las repeticiones cuentan de nuevo. También se aplican límites de archivo, texto, renderizado y tiempo.
¿Un intervalo breve evita el límite de archivos grandes?
Reduce el trabajo seleccionado, pero no evita los límites de 50000000 bytes ni de 300 páginas de origen. Divide un origen demasiado grande en PDFs adecuados antes de seleccionar.
¿Puedo convertir un PDF protegido con contraseña?
Introduce localmente la contraseña correcta conocida antes de leer. El campo se vacía después de cada intento. La herramienta no recupera ni evita una contraseña desconocida.
¿Por qué se desactiva el contador con una revisión llena?
Su límite incluye los dos saltos de línea entre páginas. Estos separadores pueden llevar un texto válido por encima de 1000000 unidades UTF-16. Descarga partes menores y cuéntalas por separado.
¿Se suben el PDF o la contraseña para convertir?
Este flujo los procesa localmente en tu dispositivo. El sitio puede seguir solicitando scripts, recursos PDF, el modelo OCR elegido y servicios de análisis. La conversión local no implica ausencia de solicitudes de red.
¿Qué debo guardar antes de cancelar o borrar?
Descarga el texto revisado o el DOCX terminado si quieres conservar los cambios. Cancelar mantiene seleccionado el PDF; «Borrar archivo» elimina el origen y la revisión. Volver a leer descarta la revisión anterior.
Fuentes y lecturas adicionales
- Soporte de Microsoft: abrir PDFs en Word y límites de conversión
- Formación de Adobe Acrobat: escanear documentos y aplicar OCR
- Documentación de Tesseract: mejorar la calidad del reconocimiento
- Tesseract.js: reconocimiento de imágenes y límites de compatibilidad PDF
- API de PDF.js: cargar documentos, leer texto y renderizar páginas