Por qué el texto que copiás de un PDF sale roto

Copiás un párrafo de un PDF, lo pegás, y aparece algo como Ju e go de ol las anti adhe rente. O peor: Juegodeollasántiadherente. En pantalla se veía perfecto. La explicación está en cómo el formato PDF guarda el texto, que no se parece en nada a lo que uno imagina.

Un PDF no guarda letras, guarda glifos

Cuando un archivo de texto guarda la letra "a", guarda el número 97, que es el código Unicode de esa letra. Cualquier programa que lea ese 97 sabe que es una "a".

Un PDF no hace eso. Un PDF guarda algo más parecido a: "dibujá el glifo número 68 de la fuente F1". El glifo 68 puede ser una "a" en esa fuente, pero el número 68 no significa "a" en ningún lado: es simplemente la posición que ese dibujo ocupa dentro de ese archivo de fuente en particular.

Para que copiar y pegar funcione, el PDF tiene que incluir además una tabla de traducción que diga "en esta fuente, el glifo 68 corresponde al carácter Unicode 97". Esa tabla se llama ToUnicode, y es opcional. Un PDF sin ella se ve perfecto en pantalla y es basura al copiarlo.

Por qué falta esa tabla

La causa más común es una técnica de optimización llamada subconjunto de fuente. Para que el archivo pese menos, el generador no embebe la tipografía completa: embebe solamente los glifos que el documento usa realmente, y los renumera de cero. Si además omite el ToUnicode —muchos generadores baratos lo hacen—, no queda ninguna pista de qué carácter es cada dibujo.

Se reconoce enseguida: copiás y pegás y sale texto en un alfabeto que no existe, o una secuencia de símbolos sin sentido, siempre con la misma cantidad de caracteres que el original. Ese es el único caso realmente irrecuperable por extracción: no hay información que rescatar. La salida es el OCR, que ignora la estructura interna y reconoce los dibujos.

Por qué aparecen espacios donde no van

Este es el síntoma más frecuente y el que más sorprende cuando se entiende la causa: en un PDF, muchas veces no existen los caracteres de espacio.

La separación entre dos palabras puede estar guardada como un carácter de espacio, sí, pero también —y muy seguido— como un simple movimiento del cursor: "dibujá 'Juego', ahora corré la posición 3,2 puntos a la derecha, ahora dibujá 'de'". No hay espacio en ninguna parte: hay un salto.

Eso obliga a cualquier herramienta de extracción a inferir los espacios: mide la distancia entre el final de un fragmento y el comienzo del siguiente, y la compara con el tamaño de la fuente. Si la distancia supera cierto umbral, agrega un espacio.

De ahí salen los dos errores clásicos:

• Espacios de más (Ju e go de ol las): el umbral quedó demasiado chico, y el ajuste fino entre pares de letras —el kerning— se interpreta como separación de palabras.
• Palabras pegadas (Juegode ollas): el umbral quedó demasiado grande y un espacio real no llegó a superarlo.

El texto justificado empeora todo

Cuando un párrafo está justificado a ambos márgenes, el programa que lo maquetó estiró los espacios entre palabras, y a veces también el espacio entre letras, para que la línea llegue justo al margen. Cada línea queda con una separación distinta. Un umbral fijo no puede acertar en todas, y por eso los documentos justificados son los que más espacios espurios producen.

Las palabras cortadas con guion

Un párrafo justificado corta palabras al final de la línea: correspon- y en la línea siguiente diente. Al extraer, eso llega como dos fragmentos con un guion en el medio. Hay que unirlos, pero con cuidado: no todo guion al final de línea es un corte. En "ex-presidente" el guion es parte de la palabra. La regla que funciona bien es unir solo cuando la línea siguiente empieza en minúscula.

Ligaduras: la palabra que el buscador no encuentra

En tipografía, ciertos pares de letras se dibujan juntos con un único glifo para que no se choquen: fi, fl, ff, ffi. Se llaman ligaduras y las usan casi todas las fuentes serif de calidad.

El problema es que ese único glifo, al copiarse, puede salir como un único carácter Unicode especial (U+FB01 para "fi") en lugar de las dos letras separadas. Visualmente es idéntico. Funcionalmente, no:

• Buscar "oficina" no encuentra "oficina", porque son cadenas distintas.
• Un BUSCARV en Excel falla contra tu base de datos.
• Contar caracteres da un número menor al esperado.

La solución es normalizar el texto. En Excel podés hacer buscar y reemplazar de cada ligadura por sus dos letras. En cualquier lenguaje de programación existe la normalización Unicode NFKC, que descompone las ligaduras automáticamente. Es una línea de código y resuelve el problema completo.

Tildes convertidas en símbolos

Si al pegar ves Instalación en vez de "Instalación", o “comillasâ€, no es un problema del PDF: es un problema de codificación en el camino. El texto salió en UTF-8 y algo lo leyó como si fuera Latin-1. Se llama mojibake y tiene una tabla de equivalencias muy reconocible:

Dónde suele ocurrir: al abrir un CSV en Excel sin indicarle la codificación. Excel, en español, asume la codificación regional del sistema y no UTF-8. Se arregla usando Datos → Obtener datos → Desde texto/CSV y eligiendo UTF-8 en el desplegable de origen del archivo, en vez de hacer doble clic en el archivo.

Párrafos en el orden equivocado

El PDF guarda los fragmentos de texto en el orden en que se dibujaron, que no tiene por qué ser el orden en que se leen. Un maquetador puede haber dibujado primero el pie de página, después el título y al final el cuerpo. Una herramienta que respete el orden interno del archivo te va a devolver exactamente ese desorden.

Por eso las extracciones serias reordenan por coordenadas: de arriba hacia abajo y de izquierda a derecha. Y por eso las páginas a dos columnas son un caso aparte: si se ordena solo por altura, se mezcla la línea de la columna izquierda con la de la derecha y el resultado es ilegible. Hay que detectar primero que hay dos columnas —buscando una franja vertical sin texto en el medio de la página— y recorrer una columna completa antes de pasar a la otra.

Diagnóstico rápido por síntoma

Lo que hay que recordar

El texto de un PDF está guardado como instrucciones de dibujo, y la información necesaria para recuperarlo como texto es opcional. Casi todos los síntomas raros —los espacios, las ligaduras, los símbolos— son consecuencias previsibles de eso. Saber qué síntoma corresponde a qué causa te dice en treinta segundos si el problema se arregla con un buscar y reemplazar o si hace falta pasar por OCR.