Cómo arreglar texto copiado de un PDF: la guía completa

Un PDF no es un documento de texto de la misma forma que un archivo de Word o una página web. Internamente, un PDF almacena la posición exacta de cada carácter en la página como coordenadas — piénsalo como una página impresa, no como un flujo de texto. No existe un concepto real de "párrafo" dentro del propio formato del archivo; solo existe dónde está posicionada cada línea de caracteres en la página.

Cuando seleccionas texto en un lector de PDF y lo copias, el lector tiene que adivinar cómo convertir esa cuadrícula de caracteres posicionados de vuelta en una secuencia lineal de texto. La mayoría de los lectores hacen esto línea por línea, en orden de lectura. Eso funciona razonablemente bien para una sola columna de texto, pero significa que cada salto de línea que existía por razones puramente visuales — porque la línea estaba llena, no porque terminara una frase — se copia como si fuera un salto de párrafo real.

Por eso pegar una página de un PDF en un editor de texto casi siempre produce un "párrafo" corto por línea, en lugar de unos pocos párrafos fluidos. El formato que ves en el lector de PDF nunca fue realmente un dato — fue una decisión de renderizado tomada con ese ancho de página en particular.

Párrafos rotos. Cada línea del PDF original se convierte en su propia línea al pegar, aunque la frase continúe en la siguiente. Esta es la queja más común sobre el texto de PDF.

Palabras con guion divididas en dos. Cuando una palabra larga no cabe al final de una línea, los renderizadores de PDF insertan un guion y continúan la palabra en la siguiente línea — por ejemplo "docu-" y luego "mento" en la línea de abajo. Al copiar, esto se convierte en dos palabras separadas con un guion suelto entre ellas.

Números de página y encabezados mezclados con el cuerpo del texto. Si seleccionas y copias una página entera, o varias páginas, el número de página, el encabezado y el pie de página se copian junto con el contenido del párrafo, ya que el PDF no tiene distinción estructural entre texto de "cuerpo" y elementos de layout.

Espaciado inconsistente o duplicado. Los PDF con varias columnas, tablas y texto justificado suelen introducir espacios extra donde el renderizador estiró una línea para llenar el ancho de la columna. Esos espacios extra sobreviven a la copia y dificultan la búsqueda o la lectura.

Para una cita corta, puedes arreglar texto de PDF a mano: borrar los saltos de línea que aparecen en mitad de una frase, unir manualmente las palabras con guion, y borrar los números de página sueltos que encuentres. Esto funciona bien para dos o tres frases.

Deja de funcionar cuando estás lidiando con más de uno o dos párrafos. Encontrar manualmente cada salto de línea en mitad de una frase en un documento de varias páginas es lento y propenso a errores — es fácil pasar uno por alto, o borrar por accidente un salto de línea que era un límite de párrafo real y debía quedarse. Diferenciar "salto de línea porque la línea estaba llena" de "salto de línea porque el párrafo terminó" a simple vista, uno por uno, no escala más allá de una página.

Un buen limpiador de texto de PDF no simplemente elimina todos los saltos de línea — eso uniría párrafos separados en un solo bloque de texto, tan inútil como el desorden original. En cambio, necesita diferenciar dos tipos de saltos de línea:

Un salto de línea que termina en mitad de una frase (la siguiente línea empieza con minúscula, o la línea actual no termina en puntuación) se trata como una línea "envuelta" y se sustituye por un solo espacio, uniendo las dos líneas en una frase.

Un salto de línea que sigue a puntuación de fin de frase, o al que sigue una línea en blanco, se trata como un salto de párrafo real y se conserva.

Las palabras con guion reciben un tratamiento especial: cuando una línea termina en guion seguido inmediatamente de una minúscula en la siguiente línea, tanto el guion como el salto de línea se eliminan y la palabra se une sin espacio — convirtiendo "docu-" al final de una línea y "mento" al inicio de la siguiente de nuevo en "documento".

El limpiador de texto de PDF de este sitio ejecuta exactamente esta lógica por completo en tu navegador: pega el texto copiado en bruto, y une las líneas envueltas, reúne las palabras con guion, y opcionalmente puede eliminar números de página sueltos y encabezados repetidos — sin subir nada a ningún lado.

Revisa si hay palabras con guion divididas en dos líneas — busca un guion seguido inmediatamente de un salto de línea.

Revisa la primera y última línea de cada párrafo por si hay un número de página suelto o un fragmento de encabezado/pie de página.

Si el PDF de origen tiene dos columnas, copia una columna a la vez cuando sea posible — copiar ambas columnas a la vez intercala el texto de las dos columnas línea por línea, algo que ninguna herramienta automática puede desenredar del todo después.

Una vez arreglados los saltos de línea y los guiones, haz una revisión final de espacios dobles, comunes en texto de PDF justificado.