Convertir PDF a texto

De dónde salen las palabras y en qué orden llegan

Los caracteres de un PDF no se guardan como texto. Se guardan como números de glifo que apuntan a una fuente incrustada, y convertirlos de nuevo en letras depende de una tabla dentro del archivo que indica qué carácter representa cada glifo. La mayoría de los programas la incluyen. Cuando uno no lo hace (y los subconjuntos recortados que generan algunos programas de diseño suelen ser los culpables), la página se ve perfecta en pantalla y se extrae como un galimatías, porque la información necesaria para leerla nunca se escribió. Ningún extractor puede arreglarlo: no es un problema difícil, son datos que faltan.

El orden de lectura es lo que hay que revisar antes de fiarse del resultado. El texto sale en el orden en que la página lo dibuja, que es el orden en que lo emitió el programa que creó el PDF, y con frecuencia no coincide con el orden en que lee una persona. Una página a dos columnas suele extraerse como una columna izquierda y una derecha bien separadas, o como líneas intercaladas entre ambas, según cómo se haya generado. Los encabezados, pies de página, números de página y recuadros laterales aparecen donde se dibujaron, normalmente en medio del texto.

Conviene reconocer algunos pequeños artefactos en vez de romperse la cabeza con ellos. Las ligaduras llegan como el carácter único que usó la fuente, así que “fin” puede aparecer como un solo glifo en lugar de una f seguida de una i, y una búsqueda simple de “fin” no lo encuentra. Las palabras cortadas con guion al final de una línea siguen con guion, porque el corte existe en el archivo. Y las comillas rectas suelen ser tipográficas, lo que importa si el texto va a acabar en código o en un CSV.

Una página escaneada no da nada en absoluto, y la herramienta lo dice en lugar de devolverte un archivo vacío: en la foto de un documento no hay caracteres, solo píxeles. Lo mismo ocurre con el texto convertido en contornos, algo que los diseñadores hacen a propósito para que un archivo se imprima igual en todas partes; a esas alturas ya es ilustración de verdad. Ambos casos necesitan OCR en lugar de extracción.

Si buscas otra cosa

Cuando las columnas importan, pdftotext -layout in.pdf out.txt de Poppler es mejor que cualquier cosa que haga un navegador: reconstruye el espaciado visual con espacios reales, así que las columnas siguen siendo columnas y una tabla sigue siendo una tabla legible. pdftotext -raw hace lo contrario y entrega el orden de dibujo sin tocar, que a veces es justo lo que necesita un script.

Para sacar el texto de cientos de archivos, mutool draw -F txt y pdfplumber de Python son la base sobre la que construir; pdfplumber en particular te da cada carácter con sus coordenadas, fuente y tamaño, así que puedes filtrar el encabezado y el pie de página por posición en lugar de a ojo. Ese es el trabajo que esta página no puede hacer, y es el que importa cuando hay volumen.