PDF a Markdown

El PDF es adonde van los documentos a dejar de cambiar. Ese es su propósito y su virtud, y es exactamente el problema cuando el contenido tiene que seguir viviendo: como página de un sitio de documentación, como entrada de una base de conocimiento, como archivo de un repositorio o como material de entrada para algo que procesa texto.

Markdown es el tipo de formato contrario: texto plano, pequeño, comparable línea a línea, legible sin ningún programa concreto y convertible a casi cualquier otra cosa. Pasar contenido de PDF a Markdown convierte una pieza terminada otra vez en algo que se puede editar, revisar línea a línea y volver a publicar.

Los destinos habituales son los generadores de sitios estáticos, los wikis y las plataformas de documentación, los sistemas de notas y los repositorios bajo control de versiones donde una diferencia con sentido importa más que la presentación.

Un PDF guarda glifos en unas coordenadas. No registra que una línea era un título, que tres líneas eran un párrafo, ni que una columna de elementos era una lista: eso son cosas que quien lee deduce del aspecto. Un conversor tiene que hacer las mismas deducciones con las mismas pistas.

El cuerpo de letra aporta casi toda la señal. El texto claramente mayor que el del cuerpo es casi siempre un título, y los distintos tamaños presentes en un documento se asignan en orden a los niveles de título. Los caracteres de viñeta y los números al principio identifican las listas. El interlineado y la sangría revelan dónde empiezan y terminan los párrafos, que es lo que permite volver a unir las líneas partidas por la maquetación en texto corrido en lugar de conservarlas como saltos duros.

Esto funciona bien porque la mayoría de los documentos son tipográficamente convencionales. Funciona mal en los que no lo son: donde el tamaño indica énfasis y no jerarquía, o donde alguien ha maquetado el texto del cuerpo grande y los títulos pequeños.

Los documentos a una columna y con peso de texto son el caso fuerte: informes, artículos, políticas internas, documentación, libros electrónicos, actas de reuniones. Los títulos, los párrafos, las listas y el énfasis se trasladan todos, y el resultado es utilizable con una edición ligera.

Hay tres cosas que necesitan atención de forma fiable. Las composiciones a varias columnas obligan a decidir un orden de lectura que a veces no tiene solución, así que un artículo académico o un boletín pueden intercalar las columnas. Las tablas rara vez sobreviven como tablas, porque una cuadrícula de texto alineado no tiene ninguna señal que la distinga de cuatro columnas de texto independiente salvo que estuviera dibujada con líneas. Y los encabezados, los pies y los números de página se repiten en todas las páginas y acaban dentro del flujo, porque eran elementos fijos de la página y no contenido.

Nada de eso es tanto un defecto de la conversión como una consecuencia de lo que es un PDF. Contar con unos minutos para borrar los elementos repetidos y reconstruir una tabla o dos es la expectativa realista.

Comprueba primero si el PDF tiene texto siquiera: intenta seleccionar una palabra. Si no se resalta nada, la página es una imagen y hace falta el reconocimiento de texto, que esta herramienta detecta y te ofrece antes de convertir.

Después revisa el resultado de arriba abajo en un editor con vista previa en vivo, que deja evidentes al instante los niveles de título equivocados. Arreglar primero la jerarquía de títulos merece la pena antes que nada, porque determina cómo se lee el documento allá donde se publique.

Si necesitas también las imágenes, PDF a JPG en modo Extraer las saca a su tamaño nativo. Y si lo que querías en realidad era un documento editable y no un formato de texto, PDF a Word reconstruye párrafos y tablas reales y es la mejor herramienta.