Recuperación de texto
Extrae texto seleccionable de un PDF y crea un DOCX editable con separación entre páginas; no intenta replicar la maqueta original.
Todavía no has seleccionado un documento.
Lee la capa de texto del PDF, agrupa fragmentos por línea y construye párrafos de Word. Añade un salto de página entre las páginas de entrada.
Esta matriz describe el comportamiento de la implementación actual: extrae elementos de texto con pdfjs-dist y crea párrafos sencillos con docx. No mide precisión ni equivale a una conversión de diseño.
| Elemento | Comportamiento | Qué revisar |
|---|---|---|
| Texto seleccionable | Compatible | La vista previa debe mostrarlo antes de descargar. |
| Separación por páginas | Compatible | Se inserta un salto de página entre cada página leída. |
| Párrafos | Parcial | Las líneas visuales se convierten en párrafos; no se reconstruyen los párrafos originales. |
| Encabezados | Parcial | Una heurística de tamaño puede aplicar negrita y tamaño mayor, sin conservar estilos originales. |
| Tablas | No soportado | Sus palabras pueden aparecer como texto, no como celdas, bordes o columnas. |
| Columnas y orden complejo | No garantizado | El código ordena por coordenadas; compara la lectura con el PDF. |
| Imágenes | No soportado | No se incorporan al DOCX. |
| Tipografías y estilos | No soportado | No se preservan fuentes, colores, sangrías ni composición exacta. |
| Encabezados, pies y notas | No garantizado | Pueden recuperarse como líneas de texto sin su función semántica. |
| PDF escaneado / OCR | No soportado | Un archivo sin texto seleccionable requiere un flujo OCR distinto. |
Situación ficticia. Un informe digital contiene dos páginas con títulos, líneas de texto y una fila visual con código, valor y resultado. No contiene imágenes, columnas ni OCR.
Entrada de prueba: PDF sintético de texto seleccionable y manifiesto del caso.
Convierte el archivo sin cambiar opciones. El caso evalúa recuperación de texto y un salto de página, no fidelidad de diseño ni construcción de tablas.
La vista previa y el DOCX contienen las ocho líneas del manifiesto y separan las páginas. «Codigo Valor Resultado» aparece como texto; no debe aparecer una tabla con tres celdas.
Límites: el resultado puede normalizar espacios entre fragmentos y no sirve como referencia visual absoluta. Se verificó el con la metodología de Nexo Útil.
La herramienta valida la firma PDF, admite hasta 15 MB y 100 páginas, y detiene la conversión si encuentra menos de diez caracteres de texto. También informa las páginas sin texto seleccionable. Eso evita presentar una extracción vacía como un DOCX utilizable.
Para profundizar en el motivo de estas limitaciones, consulta los límites reales de PDF a Word. Si no hay texto seleccionable, revisa PDF digital, escaneado y OCR antes de buscar otro flujo.