PDF a Excel

Cómo usar la herramienta PDF a Excel

Funciones principales de la herramienta PDF a Excel

Acerca de la herramienta PDF a Excel

PDF a Excel lee el texto de cada página con pdf.js, lo agrupa en líneas según la línea base, y divide cada línea en celdas allí donde el hueco entre dos fragmentos de texto es más ancho que, aproximadamente, nueve décimas partes del tamaño de fuente. Las posiciones iniciales de todas las celdas de una página se agrupan en posiciones de columna, y cada celda se coloca en la columna más cercana. Un valor que coincide con un número simple, como 1,234.50 o -7, se escribe como celda numérica; todo lo demás es texto. En un archivo de varias páginas, las filas de cada página van precedidas de una fila Page N.

Resulta útil para sacar una lista de precios, un extracto bancario o una tabla de resultados de un PDF y llevarla a una hoja que puedas ordenar y sumar. El PDF no tiene una estructura de tabla que leer, así que las columnas se infieren: las descripciones que ocupan varias líneas, los encabezados combinados o las cifras alineadas a la derecha de longitudes distintas pueden acabar en una columna vecina. No se genera formato, bordes ni colores de celda. Un extracto escaneado no tiene capa de texto y primero necesita pasar por OCR PDF.

Cuándo usar la herramienta PDF a Excel

La lista de embalaje de un proveedor o una confirmación de pedido llega como PDF y necesitas conciliarla con tu propio pedido. Conviértela y luego usa búsquedas en Excel sobre la columna del número de referencia para emparejar las líneas. Las cantidades y los precios escritos como números simples llegan como celdas numéricas, así que los totales se pueden comprobar con una fórmula.

Un sistema que solo imprime a PDF, como un informe de caja, un resumen de nómina o una exportación de reservas, genera una tabla que necesitas graficar o filtrar. Convierte el PDF, elimina las filas Page N que separan las páginas, y las filas restantes se ordenan y filtran como en cualquier otra hoja.

Los resultados de laboratorio, los horarios y las tablas de clasificación con columnas fijas se convierten bien cuando cada fila tiene un valor en cada columna y las columnas empiezan siempre en la misma posición. Si el PDF es un escaneo de una tabla así, ejecuta primero OCR PDF para que haya una capa de texto que leer.

Los documentos de texto corrido no son la entrada adecuada: cada línea se convierte en una fila, y los huecos anchos en un texto justificado pueden dividir una frase en varias celdas. Usa PDF a Word para texto. Las cifras con un símbolo de moneda, un signo de porcentaje o paréntesis se quedan como celdas de texto, así que quita esos caracteres con buscar y reemplazar en Excel antes de sumarlas.

Consejos y solución de problemas

• «No se pudo convertir a Excel: No password given» significa que el archivo necesita una contraseña para abrirse; quita la protección primero.
• «No se pudo convertir a Excel: Invalid PDF structure» significa que el archivo soltado no es un PDF; el recuadro de subida no aplica el filtro .pdf del selector.
• Una celda se guarda como número solo cuando es un signo menos opcional, dígitos con separadores de miles por comas opcionales y un punto decimal opcional, como 1,234.50 o -7. Valores como 12%, 1.234,50, (500) o 2024-05-01 se guardan como texto.
• Los códigos con aspecto numérico pierden los ceros iniciales: 00123 se convierte en el número 123. Si una columna contiene números de cuenta o códigos postales, dale formato de texto en Excel y vuelve a poner los ceros.
• El texto que empieza a menos de 12 puntos del inicio anterior se une a la misma columna, así que las columnas situadas más cerca que eso se convierten en una sola, y varios inicios muy próximos pueden encadenarse en una única columna. Cuando dos celdas de una línea coinciden en la misma columna, la segunda pasa a la siguiente columna libre en lugar de sobrescribir la primera, y una celda posterior de esa línea solo se desplaza si su propia columna ya está ocupada.
• Todas las páginas van a una sola hoja llamada Sheet1, con una fila Page N antes de las filas de cada página en un archivo de varias páginas. El ancho de las columnas es el predeterminado de Excel, así que amplíalas después de abrir el archivo.
• La tarjeta de resultado no tiene botón Vista previa del documento; un .xlsx no se puede previsualizar en la página. El archivo toma el nombre del PDF con la extensión .xlsx.
• Un extracto escaneado necesita una capa de texto antes de que sus cifras puedan llegar a una hoja. Cómo hacer que un PDF escaneado se pueda buscar empieza con una comprobación rápida y trata qué influye en la precisión del reconocimiento, lo que más importa con los números.

Cómo funciona la herramienta PDF a Excel en tu navegador

pdf.js analiza el archivo en un worker cargado desde cdnjs.cloudflare.com y devuelve, para cada página, los fragmentos de texto con sus posiciones x e y, anchos y tamaños de fuente. El script agrupa los fragmentos en líneas según la línea base y corta una línea en celdas allí donde el hueco entre dos fragmentos supera nueve décimas partes del tamaño de fuente; los huecos más pequeños se convierten en un espacio. Las posiciones iniciales de las celdas se agrupan después con una tolerancia de 12 puntos en columnas, y cada celda va a la columna más cercana.

JSZip ensambla entonces a mano un paquete SpreadsheetML: xl/workbook.xml con una hoja, xl/styles.xml con una única fuente Calibri 11, y xl/worksheets/sheet1.xml donde cada fila es un elemento row y cada celda es un valor numérico v o una cadena en línea. generateAsync devuelve el .xlsx como un Blob con el tipo MIME de Excel, y Descargar archivo lo guarda desde una URL de objeto temporal. El PDF y las filas solo existen en la pestaña; no se sube nada.

Preguntas frecuentes