Cómo pasar una tabla de PDF a Excel sin que se rompa

Si alguna vez copiaste una tabla de un PDF y la pegaste en Excel, ya sabés cómo termina: todo apelotonado en la columna A, o repartido de una manera que no tiene nada que ver con lo que veías en pantalla. No es que Excel funcione mal. Es que le estás pidiendo algo que el PDF nunca guardó.

En un PDF no existen las tablas

Esta es la idea central y conviene digerirla antes que nada: el formato PDF no tiene ningún concepto de tabla, de fila ni de celda. Un archivo HTML sí los tiene. Un Excel también. Un PDF, no.

Lo que un PDF guarda es una lista de instrucciones parecida a esta: "poné el texto BZ-1001 en la posición x=45, y=712 con la fuente Helvetica de 9,5 puntos". Y así, fragmento por fragmento, hasta llenar la página. A veces también guarda instrucciones para dibujar líneas, que son las que forman la grilla que ves.

La tabla la ve tu ojo. El archivo no sabe que existe. Por eso toda extracción de tablas es una reconstrucción por inferencia: el programa mira dónde cayó cada palabra y deduce cuáles forman una fila y cuáles una columna. Cuando esa deducción falla, la tabla se rompe. Entender eso te dice de antemano qué tablas van a salir perfectas y cuáles van a necesitar trabajo.

Las dos familias de tablas

• Con grilla dibujada. El PDF trae líneas vectoriales que delimitan las celdas. Son las más fáciles: se pueden detectar las líneas y usar los rectángulos que forman.
• Sin líneas, solo alineación. Muy comunes en listas de precios y en reportes de sistemas de gestión. No hay ni una línea: las columnas existen solamente porque los textos están alineados. Las herramientas que buscan líneas fracasan por completo acá.

Por eso los métodos que trabajan por coordenadas son más robustos: funcionan en las dos familias, porque la posición de cada palabra está siempre, haya líneas o no.

Cómo se reconstruye una tabla

El procedimiento, en el orden en que ocurre:

1. Agrupar por fila. Se juntan los fragmentos que comparten la coordenada vertical. No puede ser una comparación exacta: dentro de una misma línea de texto, la línea base de un número y la de una letra con cola pueden diferir en uno o dos puntos. Se usa una tolerancia, típicamente proporcional al tamaño de la fuente.
2. Ordenar cada fila de izquierda a derecha por su coordenada horizontal.
3. Unir los fragmentos de una misma celda. Una palabra puede venir partida en varios fragmentos por razones de kerning. Si dos fragmentos están a menos de cierta distancia, son la misma celda.
4. Deducir las columnas. Se toman todas las posiciones donde arranca alguna celda, en todas las filas, y se agrupan las que están cerca. Cada grupo es un ancla de columna. Después, cada celda se asigna a la columna cuya ancla le queda más próxima.

Los cinco problemas que aparecen siempre

1. Celdas combinadas

Cuando una celda abarca dos o tres columnas, o cuando un valor se escribe una sola vez y vale para las filas de abajo, la extracción devuelve una celda con contenido y las vecinas vacías. No es un error del extractor: es literalmente lo que hay en la página.

Cómo se arregla: en Excel, seleccioná la columna, F5 → Especial → Celdas en blanco, escribí = seguido de la flecha hacia arriba y confirmá con Ctrl+Enter. Rellena todos los huecos con el valor de arriba de una sola vez.

2. Una celda con texto en dos líneas se convierte en dos filas

Es el más común de todos. Si la descripción de un producto no entra en el ancho de la columna y sigue abajo, el extractor ve dos coordenadas verticales distintas y devuelve dos filas: la primera completa y la segunda con solo la descripción.

Cómo se detecta: son las filas donde únicamente la columna de descripción tiene contenido y todas las demás están vacías. Ordená por la columna de código o de precio, y todas esas filas huérfanas quedan juntas arriba o abajo, listas para unirlas a mano o para descartarlas.

3. Tablas que cruzan páginas

Dos efectos distintos. El primero: el encabezado se repite en cada página y aparece en el medio de tus datos como una fila más. El segundo: una fila que quedó cortada al final de la hoja se parte en dos.

Cómo se arregla: el encabezado repetido es fácil de filtrar, porque el texto es idéntico en todas las apariciones. Una herramienta que además elimine encabezados y pies repetidos antes de extraer te ahorra ese paso.

4. Números que Excel toma como texto

Este es el que más silenciosamente arruina el trabajo, porque no se ve. Extraés una lista de precios, todo parece bien, hacés un SUMA y da cero.

La causa es el separador decimal. En Argentina y en buena parte de Europa escribimos 1.234,56: el punto separa los miles y la coma los decimales. En inglés es al revés: 1,234.56. Si el número entra a Excel con el separador que no corresponde a la configuración regional del sistema, Excel no lo reconoce como número y lo guarda como texto.

Cómo se distingue automáticamente: hay una regla que acierta casi siempre. Si el último separador tiene exactamente tres dígitos detrás y el número tiene más de un separador del mismo tipo, ese separador es de miles. Si tiene uno o dos dígitos detrás, es el decimal. Así, 1.234 son mil doscientos treinta y cuatro, mientras que 1.23 es uno con veintitrés.

Cómo se detecta el problema en Excel: los números quedan alineados a la izquierda en lugar de a la derecha. Esa es la señal. Para arreglarlo en masa, Datos → Texto en columnas → Siguiente → Siguiente → Avanzadas, y ahí indicás cuál es el separador decimal del origen.

5. Columnas que se fusionan

Pasa cuando el espacio entre dos columnas es más chico que el espacio que hay entre las palabras dentro de una celda. El algoritmo no tiene forma de saber que ahí había un salto de columna y junta las dos.

Es el caso más difícil de arreglar automáticamente. En Excel se resuelve con Texto en columnas usando el espacio como delimitador, si el contenido lo permite.

Cómo verificar que salió bien en un minuto

Nunca des por buena una extracción sin estos tres chequeos. Toman menos de un minuto y detectan casi todo:

• Contá las filas. Si el PDF decía "125 artículos" y te salieron 118 o 131, algo se partió o algo se fusionó. Las filas de más suelen ser descripciones en dos líneas; las de menos, filas perdidas en un salto de página.
• Sumá una columna numérica y compará con el total del PDF. Si el documento trae un total al pie, esta es la verificación más poderosa que existe: valida de una sola vez que no falte ninguna fila y que todos los números se hayan interpretado bien.
• Mirá la primera y la última fila de cada página. Es donde se concentran los errores de corte y los encabezados repetidos.

Si el PDF que tenés es un escaneado, nada de esto aplica todavía: primero hay que pasar por OCR, y las tablas reconocidas por OCR siempre requieren una revisión más cuidadosa, sobre todo en los números. Podés ver por qué en la guía sobre precisión del OCR, y si no sabés qué tipo de PDF tenés, empezá por cómo distinguir un nativo de un escaneado.

Lo que hay que recordar

La tabla no está en el archivo: la reconstruye el programa mirando coordenadas. Eso significa que la calidad de la extracción depende de lo prolijo que sea el PDF de origen, no de lo caro que sea el software. Y significa que la verificación —contar filas y cuadrar un total— no es opcional: es parte del trabajo.