Cómo convertir PDF a Markdown
PDF y Markdown están en extremos opuestos del espectro documental. PDF fija cada glifo a una posición en la página que se verá idéntica en todas partes; Markdown es texto plano que describe la estructura y deja que el lector decida el diseño. Convertir entre ambos significa reconstruir una estructura que el archivo PDF nunca almacenó.
Esta guía explica qué puede y qué no puede recuperar esa reconstrucción, cómo convertir un PDF con el conversor que funciona en el navegador de este sitio, qué cambia el interruptor de optimización para LLM y en qué situaciones un conversor simplemente no es la herramienta adecuada.
Por qué PDF y Markdown son opuestos
Un PDF es un descendiente de la imprenta: registra que un glifo se encuentra en la coordenada x, y, con una fuente y un tamaño concretos. Nada en el archivo dice «esto es un encabezado» o «estas tres columnas forman una tabla». La estructura que ves en pantalla fue reconstruida por la aplicación de lectura; el archivo solo guarda la tinta.
Markdown es lo contrario. No guarda casi nada sobre la apariencia y todo sobre la estructura: una línea que empieza con almohadillas es un encabezado, las barras verticales delimitan una tabla, la sangría anida una lista. El renderizador decide las fuentes y los espacios.
Así que un conversor de PDF a Markdown es en realidad un detector de estructuras. Lee texto posicionado, detecta qué líneas se compusieron más grandes y en negrita, qué huecos separan párrafos, qué líneas se alinean formando una cuadrícula, y expresa esos hallazgos en sintaxis Markdown. La calidad de un conversor es la calidad de esa detección.
Qué conserva una buena conversión
Lo primero es el orden de lectura. Los PDF, sobre todo los de dos columnas, almacenan el texto en un orden que no tiene nada que ver con cómo lee una persona. Un conversor debe seguir el flujo visual: primero toda la columna izquierda, luego la derecha, los encabezados en secuencia, los párrafos en orden. Si esto falla, el resultado es un galimatías gramaticalmente intacto.
Después vienen los niveles de encabezado. El cuerpo de texto, los pies de figura y los encabezados difieren en tamaño y grosor de fuente, y un conversor traduce esas diferencias a #, ## y ###. La correspondencia perfecta es imposible en un documento cuyo diseñador usó negrita de 13 puntos para el cuerpo, pero la mayoría de los documentos reales siguen convenciones coherentes que el detector puede aprovechar.
Los límites de párrafo importan más de lo que parece. Un salto de línea en PDF ocurre donde la línea terminó en la página, no donde termina la frase. Reunir esas líneas en párrafos de una sola línea es lo que separa un Markdown que puedes editar de uno que tienes que reparar línea a línea.
Convertir un PDF con esta herramienta
El conversor funciona íntegramente en tu navegador: el motor de análisis de PDF es WebAssembly compilado desde Rust, y tu archivo nunca sale del dispositivo. Suelta uno o varios archivos .pdf en la página y cada uno se convierte a Markdown por turnos, con los resultados en un panel de vista previa junto a avisos sobre cualquier cosa sospechosa.
Hay un aviso que conviene conocer antes de empezar: las páginas sin texto extraíble, normalmente escaneos o fotografías de páginas, no producen nada, y la herramienta te indica qué números de página están afectados en lugar de entregarte en silencio un documento medio vacío. Ese caso tiene su propio artículo, porque la solución ocurre antes de la conversión, no durante.
Al terminar la conversión, descarga el archivo Markdown directamente, o convierte varios PDF y descárgalos en un solo archivo comprimido. Todo ocurre en local, así que no hay límite de tamaño más allá de la memoria de tu dispositivo ni colas de espera.
El interruptor de optimización para LLM
Por defecto, el texto de salida se ajusta para que las líneas mantengan un ancho legible, como llevan haciendo pandoc y la mayoría de las herramientas de texto desde hace décadas. Ese ajuste es invisible en la vista renderizada, pero cuesta tokens y complica los diffs para los consumidores automáticos.
El interruptor de optimización para LLM desactiva el ajuste, de modo que cada párrafo es una sola línea larga. Si alimentas documentos a ChatGPT, Claude o un modelo local, los párrafos de una línea se tokenizan algo más eficientemente, se trocean limpiamente en los límites de párrafo y producen diffs limpios cuando el documento fuente cambia.
El interruptor también cambia el perfil de extracción del motor PDF a su modo compacto, que prefiere una salida escueta y plana frente a una verbosidad fiel al diseño. Úsalo siempre que el destino sea un modelo; déjalo apagado cuando el destino sea una persona que edita el archivo en un editor que ajusta las líneas por sí solo.
Tablas: la parte difícil
Las tablas merecen su propio artículo porque son de verdad el objeto más difícil de la cadena. El formato PDF no tiene concepto de tabla; una tabla es solo glifos dispuestos en filas y columnas, a veces con líneas dibujadas entre ellos, a veces con nada más que la alineación.
Este conversor aplica reconocimiento de estructura de tablas a esas disposiciones y emite tablas con barras verticales al estilo GitHub. Las tablas simples con líneas, con una línea bajo el encabezado y entre las filas, suelen sobrevivir intactas. Las tablas sin bordes, los encabezados de varios niveles y las celdas combinadas son donde la información se pierde o se aplana, y la sección de tablas en las FAQ cubre los detalles.
El consejo práctico es esperar corrección con datos tabulares limpios y verificar cualquier cosa numérica. Una tabla que se renderiza de maravilla puede haber desplazado una sola celda, y ninguna inspección visual del Markdown lo revela. Compara algunas celdas con el original antes de confiar en una tabla convertida en producción.
Más allá de Markdown: HTML, RST y LaTeX
Markdown es el destino por defecto, pero la misma cadena puede pasar su salida a una segunda etapa que ejecuta el motor pandoc, que es como el sitio produce reStructuredText y LaTeX a partir de una fuente PDF. El motor PDF produce Markdown, y pandoc lee ese Markdown y escribe el formato solicitado.
Hay una razón para que la cadena pase por Markdown en lugar de convertir directamente. Markdown es el intermediario más robusto: el lector de Markdown de pandoc reconstruye a partir de él un modelo de documento abstracto, y ese modelo alimenta a todos los demás escritores. Un salto extra, un camino bien probado.
Usa la salida HTML cuando necesites pegar contenido renderizado en una página web o un correo, RST para documentación con Sphinx, LaTeX para artículos académicos. Pero para la mayoría de las fuentes PDF, el Markdown simple es el entregable, y los demás formatos son comodidades más que el objetivo.
Cuándo convertir es una mala idea
Algunos PDF son directamente una entrada equivocada. Los formularios rellenables guardan sus datos en estructuras de campos, no en texto corrido, así que la conversión devuelve las etiquetas sin las respuestas. Los documentos muy diseñados, los informes anuales con gráficos como contenido principal y cualquier cosa donde la disposición visual transmite significado, como la poesía con saltos de línea deliberados, saldrán aplanados.
Los certificados, los documentos de identidad escaneados y las diapositivas cargadas de imágenes son documentos de imagen con envoltura de PDF. Ninguna lógica de conversión extrae texto almacenado como píxeles; eso requiere OCR, un paso de preprocesamiento que esta herramienta deja deliberadamente en manos de software especializado.
Para todo lo demás —contratos, artículos, informes, documentación, páginas de manual— la conversión funciona, y a menudo funciona bien. La forma más rápida de saber de qué lado cae tu documento es convertirlo una vez y leer los avisos: una ejecución limpia, sin páginas marcadas, es una señal fuerte de que la salida se puede usar tal cual.