Convertidor de PDF a Word

PDF (ISO 32000-1 para PDF 1.7 e ISO 32000-2 para PDF 2.0) es un formato de diseño fijo cuyo contenido de página es un flujo de operadores de dibujo (`Tf` para seleccionar fuente, `Td` para posicionar el cursor de texto, `Tj` para mostrar una cadena de glifos, `Tm` para la matriz de texto) en lugar de un modelo de documento flujo. No existe el concepto de párrafo, encabezado o tabla a nivel de archivo; estos son artefactos visuales producidos por ejecuciones de glifos posicionados absolutamente. Convertir a DOCX (Office Open XML, ECMA-376 / ISO/IEC 29500), que SÍ es un modelo flujo con párrafos `<w:p>`, tablas `<w:tbl>` y propiedades de ejecución dentro de un contenedor ZIP, es por tanto un problema de reconstrucción y no de traducción. La extracción de texto depende del CMap `ToUnicode` del PDF dentro de cada fuente incrustada: si el CMap falta o asigna IDs de glifos a puntos de código Unicode de uso privado (un patrón común anti-copia), los caracteres visibles no pueden recuperarse sin OCR aunque la página se renderice correctamente. El PDF subido es procesado por el motor de conversión del lado servidor de ToolAct, que lee el flujo de contenido de página como ejecuciones de texto posicionadas y reconstruye la estructura del documento a partir de ellas. Reconstruir párrafos requiere agrupar estas ejecuciones por coordenada y (dentro de aproximadamente una altura de línea), ordenar por x, detectar límites de columna a partir del histograma de inicios en x, e inferir saltos de línea a partir de huecos. La reconstrucción de tablas es más difícil: las tablas con bordes pueden recuperarse intersectando los operadores de línea de la página (`re`, `l`, `S`) en una cuadrícula y asignando ejecuciones de texto a celdas; las tablas sin bordes requieren heurísticas de detección de columnas como las de Tabula o Camelot, y la precisión cae drásticamente con celdas combinadas o filas multilinea. Las imágenes se extraen del diccionario XObject de la página y se re-incrustan en la carpeta `media/` del DOCX. La salida DOCX se ensambla como un ZIP que contiene `[Content_Types].xml`, `word/document.xml`, `word/styles.xml` y cualquier medio. La fidelidad de ida y vuelta tiene límites: los PDFs nacidos en texto con cuerpo de una sola columna hacen la ida y vuelta limpiamente; los diseños científicos multicolumna, las tablas sin bordes, la composición matemática, las ligaduras cuyo CMap falta y el texto rotado se degradan. La preservación al 100% de un PDF arbitrario es demostrablemente imposible porque el modelo fuente es estrictamente más expresivo que el destino. Los archivos se eliminan del servidor inmediatamente después de la conversión.

• Especificación PDF: ISO 32000-1 (PDF 1.7) / ISO 32000-2 (PDF 2.0). El contenido de página es un flujo de operadores (`Tf`, `Td`, `Tj`, `Tm`) que dibujan glifos posicionados; no hay párrafo/encabezado/tabla a nivel de archivo.
• Especificación DOCX: Office Open XML, ECMA-376 / ISO/IEC 29500. Un ZIP de partes XML (`word/document.xml`, `word/styles.xml`, `[Content_Types].xml`) con párrafos `<w:p>` y tablas `<w:tbl>`; un modelo flujo.
• La extracción de texto depende del CMap ToUnicode de la fuente; los PDFs con CMaps faltantes o mapeados a PUA se renderizan correctamente pero se extraen como texto incomprensible, forzando el uso de OCR como respaldo.
• Los archivos se suben al motor de conversión del lado servidor de ToolAct y se eliminan inmediatamente después de que finaliza la conversión.
• Reconstrucción de párrafos: agrupar ejecuciones de texto por coordenada y dentro de ~1 altura de línea, ordenar por x, detectar columnas a partir del histograma de inicios en x, inferir saltos de línea a partir de huecos entre ejecuciones.
• Reconstrucción de tablas: las tablas con bordes provienen de intersectar los operadores de línea `re`/`l`/`S` en una cuadrícula; las tablas sin bordes necesitan heurísticas de detección de columnas (Tabula/Camelot) y se degradan con celdas combinadas o multilinea.
• La preservación al 100% de PDF->DOCX es demostrablemente imposible: el modelo fuente es estrictamente más expresivo que el destino. Los diseños científicos multicolumna, las tablas sin bordes, la composición matemática y el texto rotado son los que más se degradan.