Por qué el texto copiado de un PDF se corta en cada línea

El texto copiado de un PDF se corta en cada línea porque un PDF no guarda párrafos. Guarda cada línea visible como un fragmento de texto separado, colocado en una posición fija de la página, así que al copiar el programa tiene que adivinar dónde termina realmente una frase. La mayoría de las herramientas adivinan poniendo un salto de línea donde acababa la línea original, y tu párrafo se convierte en decenas de líneas cortas.

Arreglar texto pegadoEl texto pegado tiene líneas rotasÚsalo gratis

Por qué los PDF rompen los párrafos

Un procesador de textos guarda un párrafo como una sola cadena de texto, y el motor de maquetación lo ajusta al ancho de la página al dibujarlo. Un PDF funciona al revés. Se parece más a un conjunto de instrucciones de dibujo: pon esta cadena de palabras aquí, pon la siguiente allí. El ajuste de las líneas se decidió al crear el archivo, y el archivo conserva las posiciones de las líneas en lugar de la estructura del párrafo.

Al seleccionar y copiar, quien pega tiene que reconstruir un flujo de texto a partir de esas posiciones. Muchas herramientas insertan un salto de línea al final de cada línea visible, y no siempre distinguen un final de línea dentro de una frase del final de un párrafo real. El resultado se ve bien en la página y mal en un cuadro de texto.

Hay otras tres cosas que lo empeoran:

• Palabras partidas con guion al final de línea. Una palabra dividida como "inter-" al final de una línea y "nacional" al principio de la siguiente se copia en dos trozos con un salto entre ellos. Algunas herramientas conservan el guion, otras lo eliminan y otras dejan el salto.
• Columnas. En los diseños de dos columnas puede copiarse primero toda la columna izquierda y luego la derecha, o mezclarse líneas de ambas columnas en un solo bloque.
• Encabezados, pies de página y números de página. Se copian en medio de una frase cuando un párrafo cruza un cambio de página.

La solución

La reparación consiste en una secuencia corta de reglas, aplicadas en orden:

1. Une las líneas que no terminan una frase. Si una línea acaba en minúscula, en coma o en una palabra sin punto final, la línea siguiente casi siempre la continúa.
2. Mantén un salto donde el original tenía un espacio entre párrafos. Una línea que termina en punto, signo de interrogación o dos puntos, y va seguida de una línea corta o con sangría, suele empezar un párrafo nuevo.
3. Quita el guion al final de una línea solo cuando divida una palabra. "inter-" más "nacional" se convierte en "internacional". Un compuesto real como "bien-" más "conocido" debe quedar como "bien-conocido" (o "bien conocido", según la norma), así que comprueba la palabra unida dentro de la frase.
4. Elimina los encabezados, pies de página y números de página que se repiten una vez por página.

Aquí tienes un ejemplo. Así suele quedar una copia:

El comité se reunió el martes para revisar
el presupuesto. Tres miembros pidieron más
tiempo, y la presidenta aceptó un breve aplazamiento.

Tras unir las líneas que continúan una frase, queda así:

El comité se reunió el martes para revisar el presupuesto. Tres miembros pidieron más tiempo, y la presidenta aceptó un breve aplazamiento.

Pega la copia en corregir texto pegado y las uniones se hacen de una vez. Después revisa si hay caracteres invisibles que llegaron con la copia. Eliminar caracteres ocultos muestra lo que encuentra antes de cambiar nada, y la guía de caracteres ocultos explica de dónde proceden.

Columnas y tablas

Las columnas son el caso más difícil. La ruta más segura es seleccionar una columna cada vez, en lugar de arrastrar sobre las dos. Si el PDF tiene un único orden de lectura, copia la página completa una vez y luego revisa la primera y la última línea de cada columna. Si las palabras de las dos columnas aparecen mezcladas, tendrás que copiar por partes.

Las tablas son peores. Una tabla copiada de un PDF suele salir con una celda por línea, así que tendrás que reconstruir las filas tú mismo o pegar en una hoja de cálculo usando un tabulador o un separador fijo. En una tabla con más de unas pocas filas es más rápido usar una herramienta de extracción de texto que conserve las columnas y limpiar el resultado después.

Cuando el PDF es un escaneado

Si el PDF es un escaneado, no hay texto que copiar. Cada página es una imagen, así que lo que ves es todo lo que hay. Primero necesitas reconocimiento óptico de caracteres (OCR). Haz una imagen de la página y luego léela con la herramienta de imagen a texto, que funciona en tu navegador. El OCR introduce sus propios errores, como "rn" leído como "m" o "0" leído como "O", así que compara el texto reconocido con el original antes de fiarte de él. La guía de capturas y fotos explica cómo conseguir una lectura más limpia.

Casos especiales

• En poemas, código y direcciones los saltos de línea importan. Une solo las líneas que claramente están cortadas y deja el resto como está.
• Un retorno blando (un ajuste de línea) y un retorno duro (un párrafo real) pueden verse idénticos al copiarlos. Lee el primer párrafo después de limpiar y corrige las uniones que parezcan mal.
• Si el texto limpio no coincide al buscar una palabra que sí ves, es probable que la copia haya traído caracteres invisibles. Compara la copia con el original para encontrar las diferencias.
• Si necesitas conservar el diseño original, pega en un editor de documentos que tenga la opción "pegar como texto sin formato" en lugar de limpiar a mano.

Cómo hacerlo con fixmint

1. Copia el texto del PDF, o usa PDF a texto para extraerlo del archivo primero.
2. Pégalo en Texto pegado de la herramienta corregir texto pegado.
3. Deja marcadas Unir líneas cortadas dentro de los párrafos y Volver a unir palabras divididas por guion al final de línea, tal como vienen por defecto. Marca Enderezar las comillas curvas si el texto viene de un procesador de textos, y Eliminar las líneas que solo tienen un número de página si la copia incluye números de página.
4. Lee la primera y la última línea de cada párrafo. La herramienta elimina las líneas de número de página, pero no los encabezados o pies de página repetidos, así que bórralos a mano.
5. Copia el resultado o usa Descargar .txt.

Respuestas rápidas

¿Por qué el texto copiado de un PDF tiene un salto de línea en cada renglón?

Un PDF guarda cada línea visible como un fragmento de texto posicionado por separado, así que la copia conserva los finales de línea. La solución es unir las líneas que continúan una frase y mantener los saltos solo en los espacios reales entre párrafos.

¿Cómo evito que las palabras con guion se partan?

Quita el guion solo donde las dos mitades forman una sola palabra, como "inter-" y "nacional". Consérvalo en los compuestos reales como "bien-conocido", que puedes comprobar dentro de la frase.

¿Puedo copiar una tabla de un PDF a una hoja de cálculo?

Muchas veces sí, pero normalmente solo con una copia separada por tabuladores o de ancho fijo. En tablas con muchas filas, una herramienta de extracción de texto que conserve las columnas es más rápida que corregir cada celda.