¿Copiar y pegar de un PDF da un texto incorrecto? Diagnostica primero la capa de texto

Si un PDF se ve bien pero al pegar el texto aparece algo incorrecto, deja de usar la versión pegada como fuente. Primero, compara un fragmento breve con la página visible: un nombre, una frase y un número. El siguiente paso dependerá de si el archivo carece de texto extraíble, tiene asignaciones de caracteres incorrectas, cuenta con una capa de OCR oculta e inexacta o presenta un problema de orden de lectura. Aplicar OCR a todo el documento no es la primera medida adecuada para los cuatro casos.

El error más peligroso no es un galimatías incomprensible. Es un texto verosímil: una página que dice 18 cuadernos mientras que el texto extraído dice 13 cuadernos. Creamos cuatro PDF descargables para que esta diferencia sea fácil de observar, sin recurrir a documentos privados de nadie.

Comienza con una comprobación rápida de copiar y comparar

Mantén el archivo original intacto y abre una copia de trabajo. Pega una selección breve en un editor de texto sin formato y compárala carácter por carácter con la página. Repite la prueba en una página distinta y, si es posible, en un segundo lector de PDF. Se trata de una comprobación diagnóstica, no de una prueba definitiva de que el resto del documento sea correcto.

Estas son pistas, no una fórmula infalible para diagnosticar la estructura interna de cualquier PDF a partir de un solo síntoma. La guía de reutilización de contenido de Adobe distingue entre el contenido compuesto solo por imágenes y las restricciones de copia. Ninguno de los dos casos debe catalogarse automáticamente como una capa de texto dañada. Por su parte, la guía de extracción de pypdf describe por separado el tratamiento de imágenes, la extracción de texto y las dificultades habituales con tablas y espaciados.

En un libro o informe extenso, anote el número de página del PDF en el que aparece cada problema. Que la portada esté limpia no garantiza que un apéndice, un anexo escaneado o un capítulo a dos columnas se vayan a copiar correctamente.

Cuatro PDF: lo que muestra la página frente a lo que devuelve la extracción

Nuestra página de prueba contiene cuatro líneas originales, entre ellas:

The archive contains 18 notebooks.

Item B-204 arrived on 6 May.

Creamos un PDF digital normal y construimos deliberadamente tres variantes. A continuación, extrajimos su texto con Poppler y pypdf. Ambos extractores devolvieron exactamente el mismo texto para cada archivo en esta prueba.

Una página digital de aspecto normal puede copiarse de forma incorrecta

Los dos primeros PDF se renderizaron con píxeles idénticos en nuestra comparación; sin embargo, el texto extraído fue diferente. En el segundo archivo, modificamos deliberadamente una asignación de ToUnicode : la información utilizada para mapear los códigos de caracteres almacenados con el texto Unicode. El número visible siguió siendo 8, mientras que la extracción devolvió 3. La documentación de CMap de pypdf ilustra este mecanismo de mapeo.

Esto demuestra un mecanismo de fallo, no que todos los PDF con texto distorsionado presenten el mismo defecto. Una entrada de ToUnicode faltante por sí sola no constituye nuestro diagnóstico, y editar los mapeos a mano no es una solución práctica para los lectores comunes.

Un escaneo con búsqueda de texto puede contener palabras incorrectas

El tercer y el cuarto PDF también se renderizaron de forma idéntica entre sí. Uno contenía texto invisible erróneo; el otro no contenía ninguno. En el tercer archivo, la extracción cambió de forma silenciosa tanto una cantidad como una fecha. El código B-2O4 contenía la letra O, no el número 0 que se mostraba en la imagen.

Insertamos esos errores nosotros mismos para ilustrar el tipo de discrepancia que puede albergar una capa de texto oculta. No los generó un motor de OCR. El cuarto archivo muestra la situación opuesta: una imagen de página perfectamente legible en la que estos extractores de texto no encuentran nada que devolver. Esto coincide con la limitación documentada de pypdf: extrae el texto ya presente en el PDF; no reconoce palabras dentro de imágenes.

Qué demuestra esta prueba y qué no

El 10 de septiembre de 2026, comprobamos cuatro archivos de una página utilizando Poppler 26.08.0 y pypdf 6.10.0. Las comparaciones visuales se realizaron con Poppler a 144 ppp. La igualdad a nivel de píxeles se mantuvo dentro de los dos pares, no en los cuatro archivos: el par basado en imágenes pasó por un paso de renderizado adicional.

Esta es una demostración controlada, no una prueba de rendimiento de precisión de OCR. No evalúa el reconocimiento multilingüe, diseños complejos, reparaciones con Acrobat, reparaciones con OCRmyPDF ni subidas a BookTranslator. Se trató de ejemplos construidos con fallos conocidos, no de una evaluación a ciegas.

Los resultados de texto sin formato y píxeles, instrucciones de reproduccióny el generador están disponibles junto con los archivos. Utilizan una fuente Noto Sans sin modificar con su correspondiente licencia de fuente abierta.

Elija el siguiente paso menos disruptivo

Las siguientes vías de reparación proceden de la documentación oficial y de diagnósticos prácticos. No son resultados de reparación de nuestro experimento con cuatro archivos. Trabaje sobre una copia y verifique el resultado antes de reemplazar cualquier archivo del que dependa.

Si tiene el documento de origen, pruebe primero a exportarlo de nuevo

Generar un nuevo PDF a partir del archivo original de procesamiento de textos, maquetación o composición tipográfica es la primera opción más adecuada. Compare con exactitud el fragmento que falló. No dé por sentado que un nombre de archivo nuevo o una exportación correcta signifiquen que el texto ya esté bien.

En el caso de materiales obtenidos de un archivo o editorial, compruebe si existe una versión alternativa que contenga texto. Asegúrese de mantener la concordancia de edición y número de página: un archivo más limpio de una edición diferente podría no conservar el fragmento que necesita.

Si un escaneo presenta pocos errores de reconocimiento, revise esas palabras

Acrobat documenta un flujo de trabajo en Escanear y OCR → Corregir texto reconocido. Esta función le permite contrastar las palabras dudosas marcadas con la imagen escaneada y corregir el texto reconocido. Siga las instrucciones actuales de corrección de Adobe para la interfaz de su versión.

No interprete una lista vacía de elementos dudosos como una prueba de exhaustividad. Compare de forma independiente los nombres, fechas, identificadores y cantidades que vaya a citar o traducir. Nuestro 13 notebooks demuestra por qué un resultado legible a simple vista no basta.

Si el texto oculto es erróneo en general, distinga entre rehacer y forzar

Para quienes utilizan herramientas de línea de comandos, OCRmyPDF documenta distintas vías para las páginas que ya contienen texto:

• --redo-ocr elimina el texto OCR no imprimible existente y vuelve a reconocerlo, excluyendo del OCR el texto imprimible.
• --skip-text omite las páginas que contienen texto. Esto no repara una capa de texto errónea ya existente.
• --force-ocr rasteriza el contenido de la página y ejecuta el OCR sobre las imágenes resultantes.

Estos comportamientos se describen en la documentación de errores de texto existente de OCRmyPDF. En la versión 17, las opciones equivalentes también están disponibles mediante --mode; los modificadores antiguos se mantienen como alias.

Existen costes e inconvenientes. La opción de rehacer no puede identificar todas las disposiciones de OCR antiguas; algunos archivos colocan una imagen opaca sobre texto que técnicamente es imprimible. La opción de forzar convierte el texto imprimible y el contenido vectorial en píxeles y acopla el contenido interactivo. Además, tanto rehacer como forzar descartan el árbol de estructura existente en lugar de reconstruirlo. Consulte la documentación avanzada de OCRmyPDF antes de decantarse por cualquiera de ellas.

Por tanto, un extracto reparado no equivale a una revisión de accesibilidad. Si el documento requiere encabezados, orden de lectura o figuras accesibles, utilice las comprobaciones de accesibilidad para PDF traducidos.

Si las páginas o los idiomas varían, no asuma que una sola configuración servirá para todo

Enumere qué páginas contienen ya texto digital fiable y cuáles necesitan reconocimiento. Compruebe los idiomas de las páginas afectadas antes de configurar el OCR. Nuestra guía de OCR para PDF en varios idiomas aborda la selección de idiomas; se trata de una decisión independiente de la de determinar si una capa de texto antigua es incorrecta.

Si no existe ninguna capa de texto, pase al flujo de trabajo para PDF escaneados. Probar repetidamente con otro extractor de texto sin formato no hará que pypdf reconozca palabras dentro de una imagen.

Verifique el texto de reemplazo antes de utilizarlo

Utilice la hoja de verificación de la capa de texto descargable para mantener la referencia visible, la extracción anterior y la extracción de reemplazo una al lado de la otra. Comienza con el error conocido, luego prueba con un pasaje diferente y cualquier diseño de página claramente distinto.

1. Palabras: compara nombres y términos desconocidos letra por letra.
2. Números: revisa cantidades, puntos decimales, fechas e identificadores como B-204.
3. Orden: lee un párrafo completo a través de los saltos de línea; comprueba las columnas y los pies de foto cercanos por separado.
4. Cobertura: confirma que no se hayan omitido páginas ni pasajes que necesitas.
5. Comportamiento del archivo: vuelve a abrir el reemplazo guardado y repite la prueba de copia. Si dependes de marcadores, enlaces o estructura accesible, revísalos también.

Que pasajes seleccionados pasen la prueba ofrece evidencia sobre esos pasajes en particular. No certifica el archivo completo. Conserva la imagen de la página original como referencia, especialmente al corregir una cita o un idioma desconocido.

Traduce solo después de poder confiar en el original

Si tu objetivo era citar un párrafo o tomar notas, un extracto verificado puede ser el punto final. No necesitas un servicio de traducción para resolver esa tarea.

Si necesitas leer todo el documento en otro idioma, utiliza el archivo verificado como punto de partida para la traducción de PDF. El modo OCR de BookTranslator reconstruye un PDF traducido a partir del contenido reconocido; no es una promesa de reparar ninguna capa de texto existente ni de reproducir con exactitud el diseño de página original.

Conserva las páginas de referencia durante el paso de traducción. Las mismas cantidades e identificadores comprobados aquí deben incluirse en la revisión final de control de calidad de la traducción del PDF. Una traducción fluida no puede, por sí sola, indicarte que su texto de origen debería haber dicho 18 en lugar de 13.