Cómo convertir PDF a Word: 4 métodos, OCR y qué falla

Adobe creó el PDF en 1993 para que un documento se imprimiera igual en cualquier equipo, y en 2008 el formato se convirtió en la norma internacional ISO 32000-1. Para cumplir esa promesa, una página PDF es una lista de instrucciones de dibujo: colocar estos glifos en estas coordenadas con esta fuente, trazar una línea aquí, poner una imagen allá. Una oración que continúa en una segunda línea son, en realidad, dos fragmentos de texto independientes que casualmente quedan uno encima del otro. Nada en el archivo indica que van juntos.

Un documento de Word funciona al revés. Un archivo DOCX, definido por la norma Office Open XML (ECMA-376, luego ISO/IEC 29500), guarda párrafos, estilos, tablas, saltos de sección y encabezados, y Word decide dónde corta cada línea cada vez que compone la página. Al añadir una palabra, el párrafo se reacomoda. Si cambian el margen, la fuente o el tamaño del papel, todas las líneas se desplazan. Ese comportamiento es justo lo que se busca al editar, y justo lo que un PDF nunca registró, porque un PDF quedó terminado en el momento en que se guardó.

Por eso convertir un PDF en Word es una reconstrucción, no una extracción. El convertidor tiene que adivinar qué líneas forman un solo párrafo, qué línea en negrita es un título y no una frase corta resaltada, qué palabras alineadas forman una tabla y en qué orden se leen dos columnas. Los buenos convertidores aciertan con documentos limpios y fallan con los recargados. Si el PDF se exportó con etiquetas (la capa de estructura que se usa para accesibilidad), las deducciones mejoran, porque las etiquetas registran de forma explícita títulos, listas y orden de lectura.

Hay dos cosas muy distintas que terminan en .pdf. Un PDF de texto se exportó desde Word, Google Docs, un sistema contable o el cuadro de impresión de un navegador, y contiene caracteres reales que se pueden seleccionar, copiar y buscar. Un PDF escaneado salió de un escáner, una fotocopiadora o una app del celular, y cada página es una fotografía de un papel. Para un convertidor, una página escaneada no contiene ninguna palabra, solo píxeles, aunque el texto se vea perfectamente nítido en pantalla. El nombre del archivo y el ícono no dicen nada: en el explorador de archivos los dos tipos se ven idénticos.

Una página escaneada tiene que pasar por el reconocimiento óptico de caracteres (OCR) antes de que se pueda obtener algo editable. El OCR analiza la forma de las letras y las convierte en texto, y su precisión depende de la resolución, el contraste, la inclinación y el idioma. Un escaneo limpio a 300 dpi, en negro sobre blanco, se lee casi a la perfección; una foto tomada con el celular en ángulo y bajo una lámpara de escritorio produce errores en cada párrafo. Los convertidores sin OCR entregan un documento vacío o un archivo de Word con cada página pegada como una sola imagen.

Muchos archivos reales son mixtos: un contrato exportado como texto con una página de firma escaneada al final, o un informe con un anexo de recibos escaneados. Un convertidor que revisa cada página por separado los maneja mejor, porque lee directamente las páginas de texto y aplica OCR solo donde hace falta, de modo que las páginas exportadas conservan cada carácter exacto. Si usted mismo hace los escaneos, la guía para escanear documentos a PDF explica la resolución y la iluminación que dan al OCR las mejores condiciones.

Microsoft Word abre archivos PDF directamente desde Word 2013, con una función que Microsoft llama PDF Reflow. Es la opción evidente si Word ya está instalado, y funciona bien con cartas e informes sencillos. Convierte un archivo a la vez. Google Docs ofrece una vía parecida a través de Google Drive. La página de ayuda de Google sobre convertir PDF en texto recomienda archivos de 2 MB o menos y advierte que probablemente no se detecten listas, tablas, columnas, notas al pie ni notas finales, lo que coincide con la práctica: las palabras pasan, la estructura muchas veces no.

Adobe Acrobat Standard y Pro exportan a Word con la herramienta Exportar PDF y aplican reconocimiento de texto a las páginas escaneadas de forma automática. Acrobat es una suscripción de pago, y el Acrobat Reader gratuito no incluye la exportación. Un convertidor en el navegador queda en un punto intermedio: no hay nada que instalar, funciona en cualquier sistema operativo y suele permitir elegir entre texto fluido y diseño exacto. En la página Convertir PDF a Word, Reconocimiento de texto (OCR) en Automático lee solo las páginas sin capa de texto, e Idioma del documento define el alfabeto del OCR para escaneos que no están en inglés.

PDF Reflow de Word está en el cuadro Abrir de siempre, y por eso mucha gente nunca lo nota. Funciona en Word 2013, 2016, 2019, 2021 y Microsoft 365 para Windows. Word muestra un aviso: convertirá el PDF en un documento editable, puede tardar un poco y el resultado quizá no se vea exactamente igual que el original, sobre todo si el archivo tiene muchos gráficos. Al hacer clic en Aceptar, la copia convertida se abre como un documento nuevo sin guardar; el PDF nunca se modifica.

La propia documentación de Microsoft enumera elementos que podrían no convertirse, entre ellos las notas al pie que ocupan más de una página, las notas finales, los marcadores y comentarios del PDF y efectos de fuente como el resplandor o la sombra. En la práctica, Word también tiende a convertir barras laterales, citas destacadas y páginas de revista a varias columnas en cuadros de texto flotantes, que se ven bien pero son tediosos de editar. Además, Word no permite indicar el idioma de un escaneo, así que el texto con tildes o en alfabetos no latinos de las páginas escaneadas sale a veces bien y a veces mal. Aun así, para una carta de una página o un informe sencillo suele ser la vía más rápida, y el resultado ya queda en el editor que se va a usar.

El texto a una columna con títulos reales se convierte bien con cualquier herramienta: cartas, ensayos, contratos y la mayoría de los informes. La negrita, la cursiva, las viñetas y las tablas sencillas con bordes visibles suelen sobrevivir. Las imágenes pasan siempre que el convertidor las conserve, que en la vía del navegador es la opción Conservar imágenes, activada por defecto para DOCX. Los hipervínculos suelen mantenerse cuando eran enlaces reales en el PDF; un texto azul subrayado que nunca fue un enlace queda como texto normal. Cuanto más limpio y convencional sea el diseño original, menos se notará la conversión.

Los problemas empiezan donde el diseño de la página aporta significado. Un texto a dos columnas puede leerse de lado a lado en lugar de hacia abajo. Las tablas sin líneas divisorias son difíciles de detectar y pueden llegar como líneas separadas por tabulaciones. Los encabezados, pies de página y números de página se dibujan en cada página como texto común, así que a menudo aparecen en medio del cuerpo, una vez por página. Los campos rellenables de los formularios se aplanan como texto o se pierden. Las fuentes incrustadas que no están en su computadora se sustituyen por la más parecida, lo que cambia el largo de las líneas. Para documentos que son casi todo tablas, una hoja de cálculo es mejor destino; consulte cómo extraer tablas de imágenes y PDF.

Antes de editar nada, dedique dos minutos a revisar la conversión, porque un problema de estructura se arregla más fácil al principio que después de haber reescrito la mitad del texto. Ponga el PDF y el archivo de Word lado a lado y recorra ambos. Busque párrafos que faltan en los cambios de página, encabezados repetidos dentro del cuerpo y tablas convertidas en líneas sueltas. Con las marcas de formato visibles, una marca de párrafo al final de cada línea indica que se obtuvo un diseño línea por línea en lugar de párrafos; volver a convertir con Texto fluido suele resolverlo antes que unir líneas a mano.

En las páginas escaneadas, pase el corrector ortográfico y preste especial atención a los números, que el corrector ignora. El OCR confunde a menudo el dígito 0 con la letra O, el 1 con la l y el 5 con la S, y en una factura o un contrato un solo dígito equivocado importa más que diez erratas. Si hay párrafos enteros ilegibles, revise el Idioma del documento y vuelva a convertir antes de corregir a mano. Cuando el diseño no tiene arreglo, copie el texto limpio en un documento nuevo basado en su propia plantilla; suele ser más rápido que desenredar cuadros de texto.

Todo convertidor intenta deducir al revés un documento que ya existió en formato editable en algún lugar. Si el PDF vino de un colega, de un cliente o de usted mismo tiempo atrás, el DOCX, el documento de Google o el archivo de InDesign original casi siempre es mejor que cualquier conversión: estilos intactos, tablas reales, control de cambios y comentarios conservados. Un correo breve pidiendo el original puede ahorrar una hora de limpieza, y a la gente rara vez le molesta. También evita un problema más sutil: un archivo convertido parece terminado, así que los pequeños errores introducidos por la conversión pueden pasar inadvertidos a la siguiente versión.

Pedir primero es lo acertado para documentos largos que se van a editar mucho, para plantillas que se reutilizarán, para cualquier archivo con tablas o formularios complejos y para documentos legales o financieros, donde un solo dígito mal leído es un riesgo. Convertir es lo acertado cuando el original ya no existe, cuando el PDF es el escaneo de un papel que nunca tuvo versión digital o cuando solo se necesitan unos pocos párrafos. En ese caso, el convertidor de PDF también genera texto sin formato, más limpio para citar que un archivo de Word con todo el formato.

Un PDF firmado o certificado es un caso aparte. Convertirlo en Word elimina la firma y su validez, así que el archivo de Word debe tratarse solo como copia de trabajo. Si necesita devolver una versión editada, haga los cambios en la copia de Word, expórtela de nuevo a PDF y vuelva a firmarla; no presente el archivo convertido como si fuera el original firmado. Lo mismo vale para los PDF con certificación o sello oficial: la marca visual puede sobrevivir, pero su prueba digital no.