Conversor de PDF a Excel con cuadrícula revisable

Hay dos motivos distintos y la herramienta los distingue. Si el PDF no tiene capa de texto (las páginas están guardadas como imágenes) no hay nada que leer: esas páginas se señalan y hace falta reconocerlas antes. Si hay texto pero no estructura, las líneas van en una sola columna, o sea prosa y no tabla. La herramienta se niega a propósito a hacer pasar una lista de una columna por una tabla: una hoja llena de ese ruido es peor que un honesto «no se encontró».

Corrígelo en la cuadrícula, justo donde el detector se equivocó. Cada cabecera de columna lleva un menú «⋯»: unir con la siguiente, dividir por el hueco más ancho, eliminar, fijar el tipo. Al pulsar el número de fila se elimina esa fila. Antes estas operaciones solo actuaban sobre las ÚLTIMAS columnas: en una factura de nueve columnas con el fallo en el medio eran inútiles, aunque parecieran funcionar.

Porque en una tabla real los bordes izquierdos no coinciden. En nuestro propio presupuesto de prueba la columna central empieza en 143, 155 y 152 y la derecha en 198, 184 y 184: números a la derecha, encabezados a la izquierda. Agrupar por borde izquierdo, con la tolerancia que sea, o parte una columna en tres o funde tres en una. Lo estable es el corredor vacío ENTRE columnas, y con eso trabaja el análisis.

Un PDF no contiene fórmulas: solo el resultado ya calculado, así que lo que pasa son los valores. Las celdas combinadas sí pasan: el texto que cubre de forma apreciable varias columnas se toma como combinado, su valor se queda en la primera, en la cuadrícula esa celda se ve estirada y resaltada, y el .xlsx recibe una combinación real. Antes ese texto caía en silencio en la columna donde quedara su punto medio.

XLSX reúne todas las tablas encontradas en un libro, una hoja por tabla, con tipos de celda y combinaciones. CSV no conoce tipos, pero se abre en cualquier sitio, y ahora también exporta TODAS las tablas, un archivo por tabla: una sola llega como un archivo, varias como carpeta o archivo comprimido. Cada archivo lleva su marca de codificación.

El PDF se analiza en tu navegador: pdf.js lee las páginas y el libro lo arma el mismo generador de XLSX que usamos en nuestra herramienta de recuperación de bases Access, verificado parte por parte contra el motor de Microsoft.

Se procesa aquí mismo. Las páginas sin capa de texto se marcan y aparece el botón «Reconocer las páginas»: el modelo PP-OCRv5 se descarga una vez (unos 12 MB), funciona en tu dispositivo y después no necesita red. El texto reconocido entra en la misma búsqueda de tablas que un PDF normal: no hay una segunda tubería. Queda una diferencia: un escaneo no tiene líneas dibujadas, así que sus columnas salen solo de los huecos.

Sí. Cada columna recibe un tipo —número, fecha o texto— y al libro van valores, no cadenas: los totales suman y las fechas ordenan. El tipo se decide mirando la columna entera (un guion suelto entre importes no la convierte en texto) y se muestra en su cabecera, donde también puedes cambiarlo. El análisis es deliberadamente prudente: «+34 600 123 456» se queda como texto, porque convertir un teléfono en número es una pérdida que ya no se ve en la hoja terminada.