PDF a Excel: cómo funciona realmente la extracción de tablas

Ves la tabla en un PDF: filas, columnas, un encabezado, un total al final. Parece obvio que un convertidor debería pasarla directamente a una hoja de cálculo. El problema es que el PDF no contiene ninguna tabla. Contiene instrucciones para dibujar caracteres en ciertas posiciones y líneas en otras, y la cuadrícula que ves es algo que tus ojos componen. Todo convertidor de PDF a Excel tiene que reconstruir la tabla a partir de esas piezas dispersas, y por eso los resultados van de perfectos a inservibles. Esta guía explica cómo funciona esa reconstrucción, dónde falla y cómo llevar cifras limpias a Excel en cualquier caso.

Qué hay realmente dentro de una tabla de un PDF

Toma una fila de una factura con tres columnas: “Consultoría”, “12 mar 2026” y “1.250,00”. Dentro del PDF, eso es un conjunto de fragmentos de texto separados, cada uno con una coordenada x y otra y. Los fragmentos pueden no coincidir con las palabras: un programa escribe “1.250,00” como una sola pieza, otro como “1.2” y “50,00”, y otro coloca cada carácter por separado. Tampoco tienen por qué aparecer en orden de lectura. Algunos programas dibujan una tabla entera columna por columna.

Las líneas de la cuadrícula son instrucciones de dibujo aparte, sin conexión con el texto. Una línea gruesa puede dibujarse como muchos segmentos cortos, una fila sombreada puede ser un rectángulo relleno sin ninguna línea, y muchas tablas no tienen líneas en absoluto. Nada en el archivo dice “esto es una celda”, “estas dos celdas están combinadas” o “esta fila pertenece a la tabla”.

Las dos formas en que los convertidores encuentran una tabla

Las herramientas de extracción de tablas suelen usar uno de dos métodos. Herramientas de código abierto como Tabula y Camelot los llaman “lattice” (retícula) y “stream” (flujo).

Seguir las líneas de la cuadrícula (lattice). El convertidor reúne las líneas horizontales y verticales, calcula dónde se cruzan y trata cada área cerrada como una celda. Después coloca cada fragmento de texto en la celda en la que cae. Esto funciona muy bien con tablas que tienen una cuadrícula completa. Falla cuando no hay líneas, cuando las líneas están partidas en fragmentos que no llegan a juntarse o cuando se usa sombreado en lugar de bordes.
Seguir los espacios en blanco (stream). El convertidor agrupa el texto en filas según su altura en la página, y luego busca huecos verticales que se repiten a lo largo de las filas y los trata como límites de columna. Esto resuelve las tablas sin bordes, como muchos estados financieros. Tiene problemas cuando las columnas están muy juntas, cuando una columna está centrada en lugar de alineada, o cuando un valor largo en una fila cubre el hueco que separa dos columnas en todas las demás.

Ambos métodos son heurísticos. Son fiables con tablas limpias y regulares, y poco fiables con todo lo demás, y por eso ningún convertidor acierta con todas las tablas.

Dónde falla la extracción de tablas

Incluso cuando las columnas se detectan bien, algunos problemas aparecen una y otra vez:

Celdas con varias líneas. Una descripción que continúa en una segunda línea parece una fila nueva con una sola columna rellena.
Encabezados combinados que abarcan varias columnas. Un encabezado que está sobre dos columnas tiene que asignarse a una de ellas, o a ninguna.
Saltos de página. Una tabla que continúa en la página siguiente repite su encabezado, y una fila puede quedar partida por el salto.
Números que llegan como texto. Los símbolos de moneda, los separadores de miles, los negativos entre paréntesis y las llamadas de nota pegadas a una cifra pueden impedir que Excel reconozca un número. Un separador decimal distinto del tuyo, como el punto de “1,250.00”, solo se lee bien si tu Excel usa la misma convención.
Fechas ambiguas. 03/04/2026 es el 3 de abril en algunos países y el 4 de marzo en otros, y Excel elegirá una según tu configuración.
Fuentes sin correspondencia de texto. Algunos PDF incrustan fuentes sin la tabla que relaciona cada glifo con un carácter. Se ven perfectamente, pero al copiar o extraer su texto sale un galimatías.
Escaneos. Una página escaneada no tiene texto en absoluto, solo una imagen de él, así que no hay nada que extraer sin aplicar antes OCR.

Qué hace nuestra herramienta PDF a Excel

Nuestro convertidor de PDF a Excel funciona en tu navegador, así que el archivo no se sube. Da a cada página del PDF su propia hoja de cálculo, con los nombres Página 1, Página 2 y así sucesivamente. En la columna A escribe cada línea de texto de la página, de arriba abajo, una línea por fila, y coloca cada imagen en el punto de la página donde estaba dibujada.

No intenta adivinar dónde están las columnas. Así conserva cada línea, en orden de lectura, sin que nada se pierda ni acabe en la columna equivocada por una mala suposición. Pero también significa que una fila de una tabla llega como una sola celda, con sus valores separados por espacios simples, y tú la divides en columnas. Si el PDF dibujó su tabla columna por columna, los valores de una fila pueden llegar en celdas consecutivas.

No hay OCR, así que una página escaneada llega como imagen y no como texto. Un PDF que necesita una contraseña para abrirse tiene que desbloquearse primero.

Dividir una columna en columnas reales en Excel

Excel tiene buenas herramientas para la segunda mitad del trabajo:

Texto en columnas, en la pestaña Datos, divide una columna por un delimitador. Elige Delimitados y luego Espacio. Funciona bien cuando los valores no contienen espacios, algo habitual en tablas de números y códigos. En Avanzadas, en el último paso, puedes definir los separadores decimales y de miles, lo que corrige cifras como “1,250.00”.
Relleno rápido, también en la pestaña Datos, aprende a partir de un ejemplo. Escribe en la columna siguiente el valor que quieres de la primera fila, pulsa Relleno rápido y Excel completa el resto siguiendo el mismo patrón.
Fórmulas, en Excel para Microsoft 365. =DIVIDIRTEXTO(A2;" ") reparte una línea entre columnas, y =TEXTODESPUES(A2;" ";-1) devuelve todo lo que hay después del último espacio, que suele ser el importe al final de la línea. Envuélvela en VALOR() para convertirla en un número. Si tu Excel separa los argumentos con comas, usa comas en lugar de punto y coma.

Excel para Microsoft 365 en Windows también puede importar un PDF directamente, desde Datos, Obtener datos, Desde un archivo, Desde PDF. Busca las tablas por su cuenta y vale la pena probarlo con tablas de bordes claros.

Otras vías que vale la pena probar

La forma más fiable de sacar una tabla de un PDF es no sacarla del PDF. Las cifras nacieron en una hoja de cálculo, un sistema de contabilidad o una base de datos, y quien hizo el PDF normalmente puede exportar los mismos datos como hoja de cálculo o archivo CSV. Muchos bancos, por ejemplo, te permiten descargar un extracto en CSV además de en PDF.

Para una tabla con una cuadrícula completa de líneas, vale la pena probar PDF a Word. Cuando una tabla llega como una tabla real de Word, puedes copiarla en Excel y las celdas siguen siendo celdas. Esa es también la vía para una tabla escaneada, ya que PDF a Word aplica OCR a las páginas escaneadas.

Revisa el resultado antes de usarlo

Los errores de extracción son silenciosos. Un valor en la columna equivocada parece tan válido como uno en la columna correcta. Antes de fiarte de los datos extraídos:

Suma una columna con SUMA y compárala con el total impreso en el PDF. Si coinciden, es casi seguro que las cifras llegaron bien. Es la mejor comprobación que existe.
Cuenta las filas y compáralas con el PDF, y mira con atención la primera y la última fila de cada página, donde los saltos de página causan problemas.
Busca números guardados como texto. Por defecto, Excel los alinea a la izquierda de la celda y los marca con un pequeño triángulo verde.
Revisa a mano algunas fechas, sobre todo aquellas en las que el día sea 12 o menos.

Conclusión

Una tabla de un PDF es la imagen de una tabla, hecha de texto y líneas que solo parecen estar conectados. Los convertidores la reconstruyen a partir de las líneas de la cuadrícula o de los espacios en blanco, y ambos métodos fallan con diseños irregulares. Sabiéndolo, puedes elegir la vía adecuada: pide los datos de origen cuando puedas, extrae las líneas y divídelas en Excel cuando no, y revisa siempre los totales antes de que las cifras vayan a algún sitio importante.

¿Necesitas el texto de un PDF en una hoja de cálculo? Prueba PDF a Excel.

← Volver al blog