Artículos útiles: las tablas de PDF desde la carga hasta el archivo final

Un PDF no es un «documento con estructura», sino un conjunto de instrucciones: «dibuja esta letra en estas coordenadas». Los conceptos de «fila», «columna» o «celda» normalmente no existen en el archivo: hay que reconstruirlos. Lo hacemos de dos maneras e indicamos cuál funcionó en cada tabla encontrada.

Por las líneas de la cuadrícula. Si el PDF tiene líneas y rectángulos reales, la estructura se reconstruye a partir de ellos, incluidas las celdas combinadas, que en una conversión ingenua suelen deshacerse. En la tarjeta de la tabla se indica «Encontrada por las líneas de la cuadrícula». Es el caso más fiable: facturas, actas, listas de precios, informes y exportaciones de 1C, SAP o Excel casi siempre se dibujan con bordes.

Por la alineación del texto. Si no hay bordes, las columnas se detectan por los espacios vacíos entre el texto: miramos dónde empiezan y terminan los fragmentos de una misma línea y los agrupamos en columnas. Así aparecen las tablas «invisibles»: especificaciones, listados y tarifas sin cuadrícula. La tarjeta lo indica con «Encontrada por la alineación del texto».

La conclusión práctica: cuanto mejor dibujada esté la cuadrícula en el original, más preciso será el resultado. Si el documento tiene una tabla pero parece texto normal con tabulaciones, espera el segundo algoritmo y compara siempre el resultado con el original (véase la sección 4).

1. 1Sube el PDF — arrastra el archivo a la zona de carga o haz clic en ella y elige el documento. Se admiten archivos de hasta 200 MB; a partir de unos 40 MB el procesamiento tarda bastante más.
2. 2Espera el análisis. Se muestra el progreso por páginas («Página 12 de 84»). No cierres la pestaña: el trabajo ocurre en tu navegador, no en un servidor, así que interrumpirlo significa empezar de cero.
3. 3Mira lo que se ha encontrado. Arriba, el contador de tablas encontradas; debajo, las tarjetas con el número, las páginas y el tamaño («pág. 3–4 · 41 × 6»).
4. 4Compáralo con el original. Cada tarjeta tiene un botón «Original»: el fragmento del PDF se muestra junto al resultado.
5. 5Configura la exportación. Los controles «Filas de encabezado» y «Quitar columnas de la izquierda» definen qué entra en el archivo; al lado se ve el resumen en texto («Exportación: sin el encabezado (2 fil.) y 1 columna de la izquierda fuera»).
6. 6Corrige las celdas si hace falta — el doble clic abre el texto para editarlo.
7. 7Descarga o copia. «Excel»/«Word» para una tabla; «Descargar todo en Excel»/«Descargar todo en Word» para todo el documento (cada tabla será una hoja o una tabla propia). «Copiar» deja la tabla en el portapapeles, lista para pegarse en Excel, Word o Google Sheets como una tabla real con formato.
8. 8¿Necesitas otro documento? «Otro documento» reinicia el resultado; también puedes simplemente arrastrar otro PDF encima: el resultado actual se reemplazará.

• Hace falta capa de texto. La comprobación es sencilla: abre el PDF e intenta seleccionar una palabra con el ratón. Si se selecciona, la capa existe. Si no se puede seleccionar nada, es un escaneo o una imagen, y no tenemos OCR.
• Pasa primero los escaneos por OCR. Procesa el documento con Adobe Acrobat, ABBYY FineReader u otra herramienta de OCR y guarda el resultado como PDF con capa de texto; entonces nuestro servicio funcionará con normalidad.
• Quita antes la contraseña. Un PDF protegido no se abrirá. El atajo más rápido es «Imprimir → Guardar como PDF» sin contraseña (si el documento se puede ver).
• Una sola carga para todo el documento. Si las tablas están repartidas en un informe de 300 páginas, es más fácil subirlo entero: no hay límite de páginas. Eso sí, en un equipo modesto los archivos grandes tardan más y necesitan mucha memoria.
• Una tabla dentro de una imagen no es una tabla. Una captura de un informe pegada en el PDF seguirá siendo una imagen: no hay nada que extraer.
• No «imprimas a PDF» más veces de la cuenta. Cada pasada extra por una impresora virtual puede convertir las líneas reales en un conjunto de trazos y empeorar el trabajo del algoritmo de cuadrícula.

La exportación se configura en la tarjeta de cada tabla, y esa es la razón principal para revisar los resultados antes de descargar:

• Filas de encabezado. Los encabezados de varios niveles («Indicador / Unidad / Valor» en dos filas) suelen ser más útiles si se conservan en el archivo, mientras que las filas de servicio de arriba se quitan con el control «Filas de encabezado».
• Columnas sobrantes a la izquierda. El clásico es el «N.º». Se quita con el control «Quitar columnas de la izquierda»; por defecto no se recorta nada.
• Selección con el ratón. Puedes seleccionar un rango rectangular de celdas y pulsar Ctrl+C: solo ese rango irá al portapapeles. Esc cancela la selección.
• Continúa en la página siguiente. Si la tabla está cortada por un salto de página, «⤒ Unir con la anterior» junta los fragmentos en una sola tabla.
• Un bloque que no es una tabla. Lo que el servicio confundió con una tabla (por ejemplo, columnas de texto normal) se elimina con la cruz, confirmando con un segundo clic.
• Bordes y números. En los ajustes de exportación están los interruptores «Bordes de celda» y «Números como números»; afectan a Excel, a Word y al portapapeles por igual.

Al .xlsx se transfieren las celdas combinadas, los bordes, el relleno, la negrita, la alineación (izquierda / centro / derecha), el ancho de las columnas y el alto de las filas: la tabla se ve como en el original y no como «texto repartido por celdas».

Un apartado para los tipos de datos. Con «Números como números» activado, los valores del tipo 1 234,56 se escriben como números reales: se pueden sumar y les funcionan las fórmulas y la ordenación. A la vez, las referencias, los números fiscales, los prefijos telefónicos y otros identificadores con ceros a la izquierda (0045, 07734) se quedan como texto: si no, Excel se comería el cero en silencio y la columna dejaría de ser una columna de códigos.

Los nombres de las hojas se localizan e incluyen las páginas de origen: «Tabla 2 (pág. 1-2)». El nombre del archivo también, por ejemplo informe_tabla_1.xlsx.

El .docx es la opción correcta cuando la tabla debe volver a un documento: un acta, un informe, una memoria explicativa o un anexo contractual. Conservamos las proporciones de las columnas y las tablas anchas pasan automáticamente a orientación horizontal; de lo contrario se comprimirían hasta ser ilegibles. La leyenda bajo la tabla («Tabla 3 (pág. 7–8)») ayuda a citar la fuente al verificarla.

Los mensajes de error del servicio son concretos y cada uno indica qué hacer:

Una lista honesta de limitaciones ahorra más tiempo que las promesas:

• No hay OCR. Los escaneos, las fotos y las tablas-imagen no se extraen. Hace falta un OCR externo y después ya se puede subir el PDF aquí.
• No hay conversión directa «PDF → CSV». Pero «Copiar», pegar en Excel/Google Sheets y guardar como CSV da el mismo resultado en pocos segundos.
• No hay reconocimiento de texto manuscrito ni de tablas dentro de gráficos.
• No hay procesamiento por lotes. Los documentos se suben de uno en uno; a cambio no hay registro, ni límites, ni esperas en un servidor.
• No se recuperan las celdas combinadas «colapsadas» en documentos sin líneas. Si en el PDF no existe físicamente la cuadrícula, las combinaciones habrá que hacerlas a mano en Excel.

En tu navegador. El PDF no se sube a ningún servidor: la lectura del archivo, la búsqueda de líneas y texto y la generación del .xlsx y del .docx ocurren en local, en tu dispositivo. Por eso los documentos no salen del ordenador ni se guardan en ningún sitio, algo esencial para facturas, contratos, extractos bancarios, informes con datos personales y cualquier documento bajo un acuerdo de confidencialidad.

La única petición de red que hace la página es la consulta del país para sugerir el idioma de la interfaz (ruso, inglés o español). No tiene nada que ver con tu archivo y se desactiva abriendo el sitio con ?geo=0.

La otra cara del procesamiento local es que la carga recae en tu dispositivo y no en un clúster ajeno: un documento grande puede tardar uno o dos minutos, y es lo normal.

Las conversiones no tienen límite: ni por número de archivos, ni por número de páginas, ni por número de exportaciones. No hacen falta registro ni pago. El alojamiento y el desarrollo se cubren con donaciones voluntarias: Ko-fi (con tarjeta o mediante PayPal, sin cuenta) y Boosty (útil cuando las tarjetas de servicios extranjeros no están disponibles). Los botones están en la página principal: si el servicio te ahorró una hora de copiar una tabla a mano, es una forma de dar las gracias y de ayudar a mantenerlo gratuito.

Una lista breve de lo que resulta útil junto a la tarea «sacar los datos de un documento»:

• OCR para escaneos — Adobe Acrobat, ABBYY FineReader: convierten una imagen en un PDF con capa de texto que ya se puede entregar a un extractor de tablas.
• Google Sheets — acepta nuestra tabla desde el portapapeles y permite compartir rápido el resultado o construir un gráfico.
• Infraestructura y gasto en la nube — zop.dev: inventario de recursos, costes y recomendaciones de ahorro en un mismo lugar, si tu proyecto, como el nuestro, vive en la nube y no quieres pagar por servidores inactivos.
• Este sitio — sube un PDF y compruébalo todo con tu propio documento: se tarda menos de un minuto y no requiere ni cuenta ni instalar programas.