Cómo pasar un PDF a texto listo para una IA

Lo que se pierde al extraerlo y lo que sobra al subirlo

Un PDF guarda instrucciones de dibujo y coloca cada letra en una coordenada y, salvo que vaya etiquetado, no dice en qué orden se lee nada de eso. Al extraer el texto, las columnas se entrelazan, las tablas se deshacen y los encabezados y pies se cuelan en mitad de los párrafos. Si el PDF viene de un escaneo sin capa de texto, ni siquiera hay texto que extraer, hay una foto de cada página que exige OCR, el reconocimiento óptico que convierte la imagen en letras. Y aunque todo salga bien, el archivo cuenta contra los límites de subida del servicio y arrastra páginas enteras que no tienen que ver con tu pregunta.

Los tokens son la otra cara. Los asistentes miden el trabajo en tokens, y una regla rápida que dan OpenAI y Google es que un token equivale a unos cuatro caracteres, aunque OpenAI precisa que esa cuenta vale para el inglés. Un contrato de doce páginas puede rondar los diez mil, y buena parte puede no aportar nada a una consulta concreta. Menos texto es menos coste, más hueco de contexto para tu pregunta y menos ruido alrededor de lo que de verdad te interesa.

Texto plano o Markdown, lo que pegas es lo que se envía

El texto plano evita buena parte del problema, porque ves exactamente lo que envías, sin capas invisibles, sin metadatos y sin orden que adivinar. El Markdown añade estructura casi gratis, con títulos y listas que ayudan al modelo a orientarse por el documento igual que te ayudan a ti. Además puedes recortar, quedarte con el capítulo que importa y pegar solo eso, algo que con un archivo adjunto no es tan directo.

Qué limpiar antes de pegar

Tres cosas dan la mayor parte del beneficio. La primera, las repeticiones de página, es decir, encabezados, pies y numeración que en papel orientan y en un texto corrido solo ensucian. La segunda, el relleno que no afecta a tu consulta, como anexos o cláusulas tipo, siempre que la pregunta no vaya de eso. Y la tercera, los datos personales, los tuyos y los de terceros, porque una consulta no suele necesitarlos. El método para sustituirlos sin que el texto pierda sentido lo contamos en la guía sobre subir documentos con datos a ChatGPT.

Para convertirlo no hace falta un programa concreto. Un PDF con capa de texto suele dejarse copiar y pegar en cualquier editor, y desde ahí se limpian los encabezados repetidos y se sustituyen los datos con un buscar y reemplazar. Si al pegar se mezclan las columnas, la utilidad pdftotext de Xpdf deshace por defecto las columnas y la partición de palabras con guion y saca el texto en orden de lectura, y Word abre un PDF desde Archivo › Abrir y lo convierte en un documento editable, algo que según Microsoft funciona mejor con los PDF que contienen sobre todo texto. Y si lo que sale son símbolos raros, el propio manual de pdftotext avisa de que hay PDF cuyas fuentes tienen la codificación tan alterada que no hay forma de sacar el texto salvo con OCR.

Muchos escaneos ya llevan una capa de texto reconocida por OCR, y entonces se copian como cualquier otro PDF con texto. Los que no la llevan necesitan OCR, que también puede hacerse en tu equipo. OCRmyPDF, un programa que se usa desde la terminal, añade una capa de texto a un PDF escaneado, y en el Mac, Live Text de Vista Previa copia el texto de una imagen suelta, aunque Apple avisa de que no está disponible en todas las regiones ni idiomas. Un conversor en línea puede subir el archivo a un servidor ajeno, así que conviene comprobarlo antes de usarlo.