PDF escaneado a Word: por qué se rompe el formato
Por el equipo de FreePDF ·
Un PDF escaneado no es un documento de Word esperando a que alguien lo abra. Es un montón de fotos de páginas, así que antes de poder editar nada hay que leer las letras de las imágenes y luego adivinar dónde van los párrafos, las columnas y las tablas. En esa adivinanza es donde se estropea el formato, y con un escaneo conviene elegir bien el camino antes de empezar.
Primero, averigua qué tipo de PDF tienes
Intenta seleccionar una frase en tu lector de PDF. Si se marcan las palabras una a una y se copian bien, el archivo ya tiene una capa de texto y PDF a Word puede reconstruirlo como documento editable. Si se marca la página entera como si fuera una sola imagen, es un escaneo, y lo que sigue es para ti.
Qué hace nuestro PDF a Word con un escaneo
Si metes un escaneo directamente en PDF a Word, recibes un .docx con cada página colocada como imagen. Se ve bien, pero no hay nada donde escribir. Pasar antes el archivo por OCR no lo cambia: el OCR añade una capa de texto invisible detrás de cada página, y el conversor a Word no tiene en cuenta esa capa oculta. Con un escaneo, por tanto, olvídate de PDF a Word y usa alguna de estas vías.
Lo que sí funciona con un escaneo
- Necesitas el texto en Word: usa PDF a Texto y marca la opción «Ejecutar OCR». Obtienes un .txt con el texto reconocido, que pegas en un documento de Word nuevo y le das formato allí. Los títulos y las tablas los rehaces tú, pero no tienes que teclear el texto entero.
- Solo quieres buscar y copiar: con OCR PDF has terminado. La página conserva su aspecto exacto y las palabras pasan a ser seleccionables.
- Es sobre todo una tabla de cifras: aplica OCR PDF y después PDF a Excel. El lector de tablas sí aprovecha la capa de OCR, pero revisa las columnas, porque a veces junta celdas vecinas.
Un aviso si tu documento está en español
Nuestro OCR solo reconoce inglés. Con un escaneo en español leerá buena parte de las palabras, pero las vocales con tilde y la ñ salen mal a menudo, y alfabetos como el chino, el árabe o el cirílico no los reconoce en absoluto. Si el texto tiene que quedar limpio, pásalo en tu propio ordenador por ocrmypdf con el paquete de español de Tesseract, usando la opción -l spa+eng (o -l spa si no hay nada en inglés).
Por qué la maquetación se rompe de todos modos
El OCR reconoce caracteres, pero no puede saber qué decisiones de diseño hay detrás de la página. Un escaneo tenue puede convertir un 8 en un 3. Dos columnas pueden leerse de lado a lado como si fueran una. Una tabla puede salir como valores separados por espacios, y la letra a mano es poco fiable.
- Los escaneos limpios, rectos y con buen contraste le dan al OCR su mejor oportunidad.
- Las tablas y las páginas a varias columnas son lo que más hay que revisar.
- Los sellos y las notas a mano conviene comprobarlos letra por letra cuando la exactitud importa.
Un buen original vale más que cualquier arreglo
Si todavía tienes el papel, vuelve a escanearlo bien alineado, a unos 300 DPI, sin dedos, sombras ni esquinas dobladas en el encuadre. Si el PDF salió de un sistema de la oficina, pide el archivo digital original o el documento de partida. Un PDF digital de verdad pasa por PDF a Word sin problemas, y un original limpio ahorra más tiempo que una hora arreglando formato.
Preguntas frecuentes
¿Por qué mi archivo de Word solo tiene imágenes de las páginas?
Porque el PDF era un escaneo. El conversor no encontró texto real que reconstruir y colocó cada página como imagen. Usa PDF a Texto con el OCR activado para sacar las palabras y luego pégalas en Word.
¿Se arregla un escaneo borroso convirtiéndolo otra vez?
No. Repetir la conversión no añade detalles que el escaneo nunca llegó a captar. Si puedes, vuelve a escanear el original con más nitidez y aplica el OCR una sola vez.