Convertir tablas de PDF escaneados a Excel.

En la práctica

Cómo obtener cifras fiables de archivos en papel

Los PDF escaneados suelen ser los documentos que ya nadie tiene en digital: contratos firmados con tablas de tarifas, albaranes archivados, cuentas anuales antiguas, confirmaciones de pedido enviadas por fax y décadas de papeleo archivado. El OCR es lo que los hace utilizables, y la calidad del escaneo pone un techo estricto a la calidad de la extracción: el software puede compensar algo de ruido, pero no información que nunca se capturó.

Si controlas el escáner, 300 DPI en escala de grises o blanco y negro es el punto óptimo para tablas impresas; por debajo de 200 DPI los dígitos pequeños empiezan a perder los trazos que los distinguen. Coloca la página plana, alineada con el cristal, y prefiere el escáner plano al alimentador de hojas para originales encuadernados o arrugados. Los sellos, firmas y marcas de agua que se superponen a la tabla merecen atención: las celdas bajo un sello de tinta son las que más probablemente necesitarán una corrección manual.

Trata la exportación como un borrador cuando los datos sean sensibles. Una rutina rápida de verificación — comprobar los totales de las columnas y luego recorrer la columna de fechas buscando valores imposibles — detecta la gran mayoría de los fallos de OCR en una fracción del tiempo de una relectura completa.

Convertir escaneos a Excel es un problema en dos pasos: el OCR lee los caracteres y luego la detección de tablas reconstruye las filas y columnas a su alrededor. La calidad del escaneo alimenta ambos pasos, por eso unos minutos frente al escáner suelen ahorrar más tiempo de revisión que cualquier truco de limpieza posterior.