Cómo pasar un PDF a Markdown
Antes de empezar: ¿tu PDF tiene texto?
Hay dos tipos de PDF, y la diferencia lo cambia todo:
- PDF con texto: los que se generan desde Word, LibreOffice, LaTeX o un navegador. El texto está guardado como texto, y pasaloamd lo puede leer.
- PDF escaneados: fotos o escaneos de hojas impresas. Para la computadora son imágenes, y no hay texto para extraer.
Para saber cuál tenés, abrí el PDF e intentá seleccionar una palabra con el mouse. Si se marca, tiene texto. Si se selecciona toda la página como un bloque, o no se selecciona nada, es escaneado. Más abajo te cuento qué hacer en ese caso.
Paso a paso: un artículo académico a tus notas
Supongamos que tenés un artículo de una revista en PDF, a dos columnas, y lo querés tener como nota en Obsidian o pasárselo a una IA para trabajar con él.
- Abrí pasaloamd y arrastrá el PDF a la zona de carga, o hacé clic en "elegí desde tu dispositivo".
- Esperá unos segundos. Un artículo de 20 páginas suele tardar poco; uno de cientos de páginas puede tardar más, sobre todo en un teléfono.
- Revisá el resultado en la vista "Dividido": a la izquierda el Markdown, a la derecha cómo se ve. Fijate que los títulos y los párrafos estén en orden.
- Ajustá el formato si hace falta con el botón "Formato". Por ejemplo, desactivá "Separar páginas" si querés un texto continuo, sin las marcas de "Página 3 de 20". Con esa opción desactivada, los párrafos que siguen de una página a la otra se unen.
- Corregí lo que no haya salido bien directamente en el editor. Para buscar algo, usá Ctrl+F.
- Copiá o descargá el resultado. Si es para Obsidian, descargalo como .md y guardalo en la carpeta de tus notas. Si es para una IA, copialo y pegalo en la conversación.
Los pasos generales de la herramienta están en cómo usar pasaloamd.
Qué esperar del resultado
Un PDF no guarda la estructura del documento, sino la posición de cada letra en la página. pasaloamd reconstruye la estructura a partir de esa información, y en la mayoría de los documentos con texto lo hace bien:
- Se ordena el texto en dos columnas: primero se lee una columna entera y después la otra.
- Se arman los párrafos a partir del espacio entre renglones y la sangría.
- Se detectan los títulos por el tamaño de la letra, y los que ocupan dos renglones quedan en uno.
- Se detectan las listas con viñetas o números.
- Se unen las palabras cortadas con guion al final del renglón.
- Se quitan los encabezados, los pies y los números de página que se repiten en las páginas.
Lo que no se conserva:
- Las tablas: su contenido sale como texto, renglón por renglón.
- La negrita, la cursiva y los enlaces.
- Las imágenes, los gráficos y las fórmulas.
El detalle de cada formato está en formatos compatibles.
Problemas comunes y cómo resolverlos
El resultado sale vacío o con muy poco texto
Es casi seguro un PDF escaneado. Para convertirlo, primero tiene que pasar por un programa de OCR (reconocimiento óptico de caracteres), que reconoce el texto de la imagen. Una opción de código abierto que corre en tu computadora es OCRmyPDF. Hay servicios en línea que también lo hacen, pero en ese caso el documento se sube a sus servidores: tenelo en cuenta si tiene datos sensibles. Un OCR dentro de pasaloamd está entre las mejoras previstas en lo que viene.
Me dice que el PDF está protegido con contraseña
pasaloamd no abre PDF con contraseña. Abrilo en tu lector de PDF con la contraseña y guardá una copia sin protección; en muchos lectores alcanza con "Imprimir" y elegir "Guardar como PDF". Después convertí esa copia.
La tabla salió como texto suelto
Es lo esperable: un PDF no guarda las tablas como tablas. Si tenés el documento original en Word o LibreOffice, convertí ese archivo, que conserva las tablas. Si no, podés copiar la tabla desde el PDF, pegarla en una planilla y de ahí pegarla en la pestaña "Portapapeles" de pasaloamd, que la convierte en una tabla de Markdown.
Quedó un encabezado o un número en el medio del texto
pasaloamd quita los encabezados y números de página que se repiten, pero si un encabezado aparece en una sola página, puede quedar como un renglón suelto. Borralo en el editor antes de copiar.
El texto quedó desordenado
Pasa con diseños complicados: tres columnas, recuadros al costado, textos sobre imágenes o columnas de distinto ancho. Probá activar "Separar páginas" para ubicar dónde está el problema y corregilo en el editor. Si el documento es muy complejo, mirá las alternativas de abajo.
Los títulos salieron con un nivel raro
Como en un PDF los títulos se detectan por el tamaño de la letra, a veces un título queda con más o menos numerales de los que esperabas. Se corrige en el editor agregando o quitando # al principio del renglón.
Otras opciones
- Si tenés el original en Word o LibreOffice, convertí ese archivo en lugar del PDF: el resultado siempre es mejor, porque conserva tablas, negrita y enlaces.
- Pandoc, el conversor de documentos más conocido, no acepta PDF como entrada: sirve para crear PDF, no para leerlos.
- Para PDF muy complejos, con muchas tablas o fórmulas, existen herramientas de código abierto que se instalan en tu computadora y usan inteligencia artificial para reconstruir el documento, como Marker o Docling. Son más potentes, pero hay que instalarlas y usarlas desde la línea de comandos.
Preguntas rápidas
¿Se sube mi PDF a algún servidor?
No. pasaloamd lee el PDF dentro de tu navegador y no lo envía a ningún lado. Más detalles en la política de privacidad.
¿Hay un límite de páginas?
No hay un límite fijo. Depende de la memoria de tu dispositivo: los documentos muy largos pueden tardar más o, en teléfonos con poca memoria, no llegar a cargarse.
¿Sirve para pasarle un PDF a una IA?
Sí, y conviene. El Markdown ocupa menos tokens que el PDF y la IA recibe el texto con su estructura bien marcada. Te explico por qué en qué es Markdown y por qué usarlo.