Cómo extraer tablas de imágenes y PDF a Excel o CSV

Antes de elegir una herramienta, conviene saber qué tipo de tabla se tiene realmente, porque los tres orígenes habituales fallan de maneras distintas. Se abre el PDF y se intenta seleccionar un solo número con el cursor. Si el número se resalta por sí solo, el archivo es un PDF de texto: cada carácter está guardado como texto en una posición exacta, y la extracción consiste sobre todo en agrupar esos caracteres en filas y columnas. Si toda la página se resalta como un único bloque, o no se resalta nada, lo que se tiene es una imagen de una tabla, y alguien tiene que leer los píxeles primero.

El tercer caso es fácil de pasar por alto. Muchos informes exportados desde sistemas contables antiguos, programas de terminal y cuerpos de correo parecen tablas, pero son texto sin formato alineado con tabulaciones o series de espacios. No hay celdas, solo una disposición en fuente monoespaciada. Pasar OCR por una captura de ese texto desperdicia información que ya se tiene; copiar el texto y dividirlo en columnas es más rápido y exacto. Las tarjetas siguientes resumen lo que necesita cada origen.

El reconocimiento de tablas es una segunda pasada que se ejecuta cuando ya se conocen los caracteres. Primero localiza las celdas: en tablas con líneas, sigue las líneas horizontales y verticales y trata cada recuadro cerrado como una celda; en tablas sin bordes, busca franjas verticales de espacio vacío que recorran toda la altura del bloque. Después alinea las columnas y decide que un número situado unos píxeles a la derecha del de arriba sigue perteneciendo a la misma columna.

Luego viene la fila de encabezado. Los reconocedores buscan una primera fila en negrita, sombreada o formada por palabras sobre columnas de números, y unen en una sola celda los encabezados que ocupan dos líneas. Las celdas combinadas son el último paso: una etiqueta como T1 que abarca tres columnas de meses se detecta por la ausencia de líneas internas y se reconstruye como celda combinada o se copia en cada columna que cubre.

Nada de esto es comprensión lectora. El programa no sabe que una columna contiene fechas ni que una fila es un subtotal; solo ve geometría y caracteres. Por eso la misma herramienta puede ser impecable con un extracto y desordenar el siguiente de otro banco, y por eso existen ajustes como Estilo de tabla y Detectar fila de encabezado: le dan al reconocedor un dato que no puede deducir con fiabilidad.

La mayoría de los fallos se dividen en dos grupos. Los fallos de geometría rompen la cuadrícula, de modo que los valores caen en la fila o la columna equivocada. Los fallos numéricos dejan intacta la cuadrícula pero cambian lo que significa una celda, lo que es peor porque la hoja parece correcta. Una columna desplazada salta a la vista; 1.234 leído como decimal en lugar de como mil, no.

La configuración regional es la principal fuente de problemas con los números. Estados Unidos y el Reino Unido escriben 1,234.56; Alemania, Brasil y la mayor parte de la Europa continental escriben 1.234,56; Francia usa un espacio como separador de miles; Suiza usa a menudo un apóstrofo, como en 1'234.56; y la India agrupa los dígitos como 1,23,456. Los documentos contables añaden números negativos entre paréntesis y símbolos de moneda pegados a los dígitos. Esto es lo que hay que vigilar y lo que resuelve cada caso.

Cada minuto dedicado a la entrada ahorra varios en la hoja de cálculo. Los motores de OCR suelen estar ajustados para texto escaneado a unos 300 dpi, lo que en una página A4 o Carta equivale aproximadamente a 2480 × 3508 px o 2550 × 3300 px. La cámara de un celular actual supera eso con facilidad si la página llena el encuadre, pero una foto de la página entera tomada desde el otro lado del escritorio y recortada luego a una tabla pequeña puede quedar muy por debajo.

El contraste importa tanto como la resolución. Los tickets de papel térmico se destiñen, las líneas grises de una tabla sobre fondo gris desaparecen y la sombra del teléfono sobre la página puede partir una columna por la mitad. Si el original es un documento en papel del que se van a extraer datos con frecuencia, la guía para escanear documentos a PDF explica con más detalle la iluminación y los ajustes del escáner. Antes de subir el archivo, conviene repasar esta lista.

La función Datos desde imagen de Excel llegó a la app de Android en 2019, después al iPhone, y ahora está en Excel para Microsoft 365 en Windows y Mac, en Datos > Desde imagen. Se fotografía o se carga una tabla, se revisan las celdas reconocidas en un panel lateral que marca los valores dudosos y se insertan. Google ofrece un camino menos directo: en Drive, se hace clic derecho en una imagen o un PDF y se elige Abrir con > Documentos de Google. La propia página de ayuda de Google lo limita a archivos de 2 MB o menos y solo lee las primeras 10 páginas de un PDF, y el resultado es un documento, así que la tabla suele llegar como líneas de texto que luego hay que pegar en Sheets y dividir.

Adobe Acrobat Pro exporta un PDF a un libro de Microsoft Excel y aplica OCR a las páginas escaneadas durante la exportación. Excel para Microsoft 365 en Windows también puede extraer tablas de un PDF de texto con Obtener datos > Desde un archivo > Desde PDF, que abre Power Query; muestra cada tabla detectada por página, permite anexar las páginas mensuales de un extracto en una sola tabla y se actualiza al sustituir el archivo por el del mes siguiente. No lee escaneos, y Excel para Mac no tiene este conector.

Los convertidores en el navegador cubren el resto sin instalar nada. Para un PDF de texto o escaneado, PDF a Excel convierte cada tabla detectada en una hoja propia; para una foto o una captura de pantalla, se puede convertir la imagen a Excel o guardar la tabla como CSV cuando otro programa la va a importar. La tabla compara los cinco caminos.

Una tabla convertida que parece correcta todavía no es una tabla fiable. Lo primero es el número de filas: si el extracto lista 47 movimientos, la hoja debe tener 47 filas de datos, no 46 porque se juntaron dos líneas ni 49 porque una descripción partida se convirtió en fila propia. Después se suma una columna numérica con SUMA y se compara con el total impreso en el documento. Si el documento no tiene total, se suman a mano unos cuantos valores y se comparan.

Luego hay que buscar celdas que solo aparentan ser números. En Excel, los números reales se alinean a la derecha por defecto y el texto a la izquierda, así que una columna con algunos importes alineados a la izquierda está avisando de algo; ESNUMERO en una columna auxiliar los encuentra todos de una vez. Las fechas merecen la misma desconfianza. Una fecha leída como texto se ordena alfabéticamente, de modo que 10/02 queda antes que 2/03, y 03/04 puede ser el 3 de abril o el 4 de marzo según quién lo haya escrito.

Por último, conviene revisar lo que se perdió, no solo lo que cambió. Los números largos de cuenta y de tarjeta son una trampa clásica: Excel guarda los números con 15 dígitos significativos, así que un número de tarjeta de 16 dígitos escrito o importado como número convierte su último dígito en un cero.

XLSX es la opción cuando una persona va a trabajar con los datos en Excel, Google Sheets o Numbers. Mantiene varias tablas en hojas separadas, tipos reales de número y fecha, filas de encabezado en negrita y celdas combinadas. CSV es la opción cuando un programa lo va a importar: apps de presupuesto, programas de contabilidad, bases de datos y scripts. CSV es texto sin formato con una tabla por archivo, descrito en la RFC 4180 de 2005, y los tres ajustes que importan son el delimitador, la codificación y si los números se guardan como números.

El delimitador tiene que coincidir con el programa que importa; Excel en los países que escriben los decimales con coma espera punto y coma. La codificación decide si sobreviven nombres como Núñez o Bogotá: UTF-8 con BOM es lo que Excel para Windows lee correctamente con un doble clic. Los ceros a la izquierda son la pérdida clásica. Los códigos postales como el 08001 de Barcelona, los números de empleado y los códigos de producto son identificadores, no cantidades, y se convierten en 8001 en cuanto algo los trata como números. Conviene desactivar Guardar números como números en tablas llenas de identificadores, o importar el CSV con esas columnas configuradas como Texto.

Extraer una tabla es una consulta; extraer un año de facturas o doce extractos bancarios mensuales es un pequeño proyecto de datos. En lo posible, conviene que los documentos de origen tengan el mismo formato y convertirlos de una sola vez para que todos los archivos reciban los mismos ajustes. Con PDF de texto se pueden subir hasta 20 a la vez, de hasta 95 MB cada uno, y elegir Todo en una hoja en la opción Hojas cuando la tabla de movimientos de un extracto continúa en varias páginas. Las fotos se convierten de una en una, así que para un montón de facturas en papel suele ser más rápido unir antes las páginas con imagen a PDF y apuntar Páginas del PDF al rango que contiene las tablas.

Después de un lote, se anexan los resultados en una sola hoja con una columna que registre el nombre del archivo de origen. Si los documentos son sobre todo texto con una o dos tablas, convertir el PDF a Word mantiene juntos los párrafos y las tablas.

Los extractos bancarios, los recibos de nómina y las facturas contienen números de cuenta, direcciones e historial de gastos, así que hay que pensar adónde van. En UltKit, los archivos subidos y los generados se eliminan 30 minutos después del procesamiento y nadie los lee. Aun así, la copia más segura es la que nunca sale de la computadora: antes de subir, conviene recortar o tachar las columnas que no hacen falta, como los números de cuenta completos, y borrar las exportaciones locales que ya no se necesiten.