II.2 Qué es un «documento»: formatos y tipos de archivo
Un PDF no es una sola cosa
Dos PDF pueden verse idénticos y comportarse de forma totalmente distinta.
- El contrato de Maya, exportado desde Word. Haces clic en una frase: se resalta. Pulsas buscar: encuentra «indemnización». Las palabras son texto.
- El escaneo de Maya del mismo contrato, hecho con una fotocopiadora. Haces clic en una frase: nada. Buscas: nada. Cada página es solo una fotografía de texto.
Los dos son «un PDF». Para una aplicación, son materiales distintos. Gran parte de los consejos de este libro («ejecuta primero Searchable», «extrae antes de aplanar») son en realidad consejos sobre qué material tienes entre manos.
Los tres tipos de PDF
| Tipo | Cómo reconocerlo | Qué funciona | Qué no funciona |
|---|---|---|---|
| Con texto (nativo digital) | Puedes seleccionar y buscar palabras | Todo: extraer, buscar, aplicaciones de IA, convertir a Word | Nada en especial |
| Escaneado / solo imagen | No puedes seleccionar ni una palabra; las páginas son imágenes | Organizar, comprimir, enderezar, OCR, Searchable, firmar | Extract Text, Search (salvo que reconozca antes), el texto de Parser, la mayoría de las aplicaciones de IA |
| Mixto | Algunas páginas se pueden seleccionar y otras no | Trátalo página a página; ejecuta Searchable para uniformarlo | Las herramientas solo de texto se saltan las páginas que son imagen |
Una prueba rápida: abre el archivo e intenta seleccionar una palabra. Si no puedes, es un escaneo.
Existe un cuarto caso: el escaneo con búsqueda. Es un escaneo más una capa de texto invisible, producida por PDF buscable (Searchable). Se ve como un escaneo y se comporta como un PDF con texto. Además es una estimación reconocida, así que pueden esconderse palabras erróneas (modelo de calidad).
Otras cosas que puedes subir
| Familia de formatos | Ejemplos | Forma habitual de entrar en las aplicaciones |
|---|---|---|
| Ofimática | Word (DOC, DOCX), Excel (XLS, XLSX), PowerPoint (PPTX) | Fusión de archivos (Merger) o Conversor (Converter) los convierten a PDF |
| Imágenes | JPG, PNG, BMP, TIFF, GIF, WebP | Fusión de archivos, Converter, Imagen a TXT (OCR Image), Collage |
| Web y marcado | HTML, SVG, Markdown, XML | Converter; SVG Maker produce SVG |
| Libros electrónicos e impresión | EPUB, MOBI, DJVU, XPS, PostScript | Converter o Fusión de archivos, a PDF |
| Archivos comprimidos | ZIP, RAR, 7z, TAR, TAR.GZ, TAR.BZ2 | Fusión de archivos y Converter convierten los archivos compatibles que hay dentro |
| Texto plano | TXT, Markdown, CSV | AI Illustrator, Unwatermark, aplicaciones de IA |
| Certificados | .pfx | Firma digital en PDF (Sign) |
| Código | DLL/EXE de .NET, nombre de paquete NuGet, repositorio de GitHub | Parte XI |
Qué acepta y qué produce cada familia
Esta es la versión corta; la tabla completa es el Apéndice A.
| Familia | Acepta | Entrega |
|---|---|---|
| Organizar | PDF (Fusión de archivos: muchos formatos y archivos comprimidos) | PDF (División de PDF: varios PDF) |
| Añadir y estructurar | PDF; Añadir tabla a PDF también acepta un archivo de Excel; Collage, imágenes; AI Illustrator, TXT o PDF | |
| Proteger y demostrar | PDF (Desbloqueador de PDF: solo PDF en la web) y un .pfx para firmar | PDF, o un informe o veredicto en pantalla |
| Reducir y reparar | PDF; Unwatermark también acepta texto | PDF; Recovery añade un informe; Unwatermark también entrega texto limpio |
| Extraer y buscar | PDF o imágenes; Resume Analyzer acepta PDF o DOC | TXT, PNG, CSV, ZIP, un PDF marcado, o PDF/Word/Excel/PowerPoint (Searchable) |
| Convertir y crear | Decenas de formatos (Converter); una frase (SVG Maker, Chat) | Word, Excel, PowerPoint, HTML, imágenes, PDF/A, PDF; SVG |
| IA para entender | PDF (Checklist y Cheat Sheet también a partir de un tema) | Sobre todo PDF; PDF Knowledge Base entrega un ZIP de Markdown; las respuestas aparecen en pantalla |
| IA para desarrolladores | Repositorio, ensamblado, URL, un mensaje de chat | CSV, SQLite, ZIP, solicitud de extracción (pull request), diagramas |
Tres cosas que pillan a la gente por sorpresa
Las imágenes son el final del camino para el texto. Un PDF convertido a JPG o PNG se ve perfecto y no se puede buscar en él. Haz primero el trabajo con el texto.
Las entradas cifradas se rechazan. Fusión de archivos rechaza los archivos de Word o DJVU cifrados. Converter tiene el mismo problema con las entradas protegidas con contraseña. Quita antes la contraseña (Desbloqueador de PDF es solo para PDF en la web; los archivos de Office se pueden desbloquear con un plugin de línea de comandos, consulta CLI).
Un formato no es una promesa de fidelidad. Word es una forma distinta de distribuir el texto respecto a PDF. Excel guarda celdas, no imágenes de página. Conversor enumera qué conserva y qué pierde cada formato de destino.
Nombres de los archivos de salida
Los resultados son archivos nuevos, normalmente con el nombre de tu entrada más un sufijo o una extensión nueva. Ejemplos de los capítulos: …_optimized.pdf, …_cheat_sheet, un ZIP llamado Compressed_documents, un ZIP llamado Converted_<from>_to_<to>. Consulta II.3.
Pruébalo
Coge cualquier PDF tuyo. Intenta seleccionar una palabra y pásalo después por Extraer texto (Extract Text). Si obtienes un archivo vacío, acabas de conocer un escaneo y ya sabes cuál es tu siguiente paso.