“PDF a Excel” convierte en .xlsx esos PDF de facturas, informes o listados en los que los datos están ordenados fila a fila. No detecta las líneas de la tabla, sino que lee las coordenadas de cada bloque de texto: los textos con una posición vertical parecida se agrupan en una fila y, en horizontal, se buscan los huecos que ningún texto cubre para usarlos como divisiones de columna; después, cada fila se corta en celdas según esas divisiones. Se genera una hoja por página y las celdas puramente numéricas pasan a ser valores.

Es una herramienta Beta (en fase de pruebas) y el algoritmo de inferencia todavía se está ajustando. Lo que sí puedes tocar son las “divisiones de columna”: si el resultado automático no te convence, añade o elimina líneas y aplícalas a todas las páginas. Un escaneo no tiene coordenadas de texto que leer, así que la página te avisa y puedes enviarlo con un clic a “OCR de PDF”.

1. 01Sube el PDFla barra muestra “Analizando la capa de texto”; si ninguna página tiene capa de texto, aparece “Esto es un escaneo (sin capa de texto)” y el botón “Enviar a OCR de PDF”.
2. 02Revisa las divisiones“Ajuste de divisiones de columna” lista las líneas detectadas en la página actual con etiquetas “x=valor” (en pt); si hay varias páginas, cambia con “Página de vista previa”.
3. 03Afina a manopulsa la × de una etiqueta para quitar esa división; escribe en el campo una coordenada horizontal entre 0 y el ancho de página y pulsa “Añadir”. Los cambios manuales se aplican a todas las páginas, y “Restaurar automático” vuelve a la inferencia página a página.
4. 04Comprueba y exporta“Vista previa de datos” muestra las primeras 30 filas de la página actual ya cortadas; pulsa “Exportar Excel (una hoja por página)” y obtendrás <original-name>_tabla.xlsx, con hojas llamadas “Página 1”, “Página 2”… Las páginas sin texto se omiten.

Fase de pruebas

herramienta Beta; las reglas de inferencia de filas y columnas pueden cambiar; después de exportar, compara importes y fechas con el PDF original columna a columna

Entrada

solo PDF con texto; los escaneos se detectan como “sin capa de texto”, usa antes “OCR de PDF”; si el PDF está cifrado, “Desbloquear PDF”

Límites de la inferencia

con menos de 4 bloques de texto en una página no se dividen columnas; un hueco entre dos columnas debe superar aproximadamente 1,15 veces el ancho medio de carácter; una desviación vertical de más de media altura de letra dentro de una línea la parte en dos

Tablas complejas

las celdas combinadas, los encabezados de varios niveles, los saltos de línea dentro de una celda y las continuaciones entre páginas se reconstruyen de forma limitada; los encabezados, notas y demás texto que no es tabla también se escriben como filas

Lo que no hace

no reconstruye bordes, fuentes, colores ni anchos de columna; no une varias páginas en una tabla continua; no reconoce escaneos; si solo quieres el texto sin estructura, “Extraer texto” es más simple

El PDF se analiza en el navegador para leer las coordenadas y generar el xlsx; el contenido no se sube a ningún servidor y se libera de la memoria al cerrar la página.