Cómo convertir PDF a HTML para leerlo en el navegador

«PDF a HTML» genera un único archivo .html con el texto de cada página y enlaces a las páginas. «Incrustar recursos» añade una imagen de cada página dentro del archivo, pero lo hace mucho más pesado. Un escaneo sin OCR muestra «(página vacía)».

A veces un documento resulta más cómodo en el navegador que en un visor de PDF: buscas una palabra con Ctrl+F, copias un párrafo o envías un archivo que se abre en cualquier dispositivo. Para eso está la herramienta PDF a HTML: extrae el texto del PDF y lo coloca página por página en un único archivo HTML.

Conviene saber de antemano qué vas a obtener. El resultado es una copia para leer y buscar, no una página web diseñada. A continuación verás qué entra en el archivo, cómo funcionan los dos ajustes de la herramienta, qué hacer con los escaneos y cómo revisar el resultado rápidamente.

Qué obtienes al final

El resultado es un solo archivo `.html`, no un ZIP con una carpeta de imágenes. Por defecto se llama `converted_` más el nombre del PDF original; puedes poner otro nombre en el campo «Nombre del archivo de salida». Los estilos y las imágenes (si las activas) van dentro del propio archivo, así que se abre sin conexión, se puede adjuntar a un correo o copiar a una memoria USB sin que falte nada.

Dentro del archivo, cada página del PDF se convierte en un bloque con un título como «Página 1», «Página 2», etc. El texto de la página aparece en una fuente monoespaciada y conserva los saltos de línea y las sangrías del original. Las etiquetas «Página N» y los avisos internos se escriben en el idioma en que tienes abierto el sitio.

Primero comprueba que el PDF tiene texto

La herramienta no reconoce letras dentro de imágenes: usa la capa de texto que ya tiene el PDF. Comprobarlo es fácil: abre el PDF, selecciona una frase y pégala en cualquier editor de texto. Si aparecen palabras normales, hay capa de texto. Si no se puede seleccionar nada o se pega una serie de símbolos sin sentido, el HTML mostrará lo mismo.

El caso típico es un escaneo o una foto de un documento. Ese PDF se convierte sin error, pero en cada bloque aparece «(página vacía)» en lugar del texto. Tienes dos opciones:

• Pasar antes por PDF con OCR: la herramienta añade al escaneo una capa de texto invisible. Descarga el PDF reconocido y sube ese archivo a «PDF a HTML». El texto reconocido conserva los saltos de línea, pero no la alineación: las columnas y las celdas de las tablas quedan separadas por un solo espacio. El reconocimiento se explica en detalle en cómo reconocer texto en un PDF escaneado con OCR.
• Si no necesitas el texto y solo quieres leer el escaneo en el navegador, activa «Incrustar recursos». Las páginas aparecerán como imágenes, pero el archivo pesará mucho más y la búsqueda de palabras no funcionará.

Conversión paso a paso

1. Abre «PDF a HTML» y arrastra el PDF a la zona de carga o haz clic en «o elige en tu dispositivo». Se procesa un archivo por ejecución. 2. En el bloque «Parámetros», escribe un nombre para el resultado en «Nombre del archivo de salida» si lo necesitas. 3. Decide si quieres imágenes de las páginas: de eso se encarga «Incrustar recursos» (desactivado por defecto). 4. Deja marcada o desmarca «Incluir navegación» (activada por defecto). 5. Haz clic en «Procesar archivo», espera a que termine y pulsa «Descargar».

Si el PDF pide contraseña para abrirse, el proceso se detiene con un aviso sobre la contraseña. Quita antes la protección; si conoces la contraseña, en cómo quitar la contraseña de un PDF se explica cómo. Los límites de tamaño y de número de páginas se muestran en la propia página de la herramienta.

Solo texto: «Incrustar recursos» desactivado

Así funciona la herramienta por defecto, y para la mayoría de las tareas basta: el archivo es ligero y el texto se puede buscar, seleccionar y copiar. Pero no esperes que se reconstruya el diseño original de las páginas. El texto se coloca más o menos donde estaba en la hoja, lo que implica:

• dos columnas avanzan una junto a otra en las mismas líneas: una línea de la columna izquierda y, tras varios espacios, una línea de la derecha;
• las columnas de una tabla se sostienen solo con espacios; no es una tabla HTML real;
• los encabezados, los pies y los números de página se quedan dentro del texto de cada página.

En una pantalla ancha esta disposición se lee bastante bien. En el teléfono las líneas largas se parten y las columnas pueden mezclarse. Si el documento está maquetado a dos columnas y se va a leer en el teléfono, revisa antes una de esas páginas.

Imágenes de página: cuándo activar «Incrustar recursos»

El nombre de la opción no es muy claro: aquí «recursos» significa imágenes de las páginas. Al activarla, sobre el texto de cada página aparece su imagen en formato PNG, incrustada directamente en el HTML. El texto de debajo se mantiene, así que buscar y copiar sigue funcionando allí donde el PDF tiene capa de texto.

Resulta útil cuando el sentido depende del aspecto: un esquema de conexiones en un manual, un plano, un sello y una firma, fórmulas, una tabla compleja. Por ejemplo, en el manual de un aparato el esquema de la página dos no aparece en absoluto en la versión de solo texto; solo quedan sus rótulos.

El precio es el tamaño. Cada imagen añade datos y el archivo acaba siendo mucho más grande que la versión de solo texto. Un documento largo con imágenes puede superar el límite de adjuntos de un correo o abrirse despacio en un teléfono modesto. La imagen es solo eso, una imagen: el esquema no se convierte en un gráfico web editable.

Navegación entre páginas

«Incluir navegación» añade en la parte superior del archivo una barra de enlaces: «Página 1», «Página 2», etc. La barra queda fija: al desplazarte sigue arriba en la pantalla y llegas a cualquier página con un clic.

Los enlaces llevan a páginas, no a capítulos; el índice del documento original no se reconstruye. En un documento de cientos de páginas la barra ocupa varias líneas y, en el teléfono, una parte considerable de la pantalla. En ese caso, desmarca «Incluir navegación» y usa la búsqueda del navegador para llegar a lo que necesitas.

Revisión del resultado y errores frecuentes

Abre el archivo descargado con doble clic; se abrirá en tu navegador predeterminado. Después:

• pulsa Ctrl+F (Cmd+F en Mac) y busca una palabra conocida de la mitad del documento;
• selecciona y copia un párrafo y pégalo en un editor;
• recorre una página con una tabla o con columnas;
• si la navegación está activada, sigue los enlaces al principio, la mitad y el final del documento.

Lo que suele fallar y cómo detectarlo:

• «(página vacía)» en todas o casi todas las páginas: el PDF es un escaneo sin capa de texto y necesita OCR;
• «(página vacía)» solo en algunas páginas: ahí hay una hoja realmente en blanco o una imagen insertada, por ejemplo un anexo escaneado;
• palabras de dos columnas mezcladas: es un efecto de la disposición; compáralo con la imagen de la página o con el PDF;
• el archivo pesa demasiado: vuelve a convertir con «Incrustar recursos» desactivado.

Si solo necesitas el texto sin marcado, es más práctico PDF a texto: guarda un archivo `.txt` sencillo.

Antes de publicarlo en un sitio web

La copia convertida no es una página web terminada. Sus títulos son «Página N» y no las secciones del documento, las tablas se sostienen con espacios y las imágenes de página también llevan solo la etiqueta «Página N», sin describir su contenido. El idioma declarado en el código de la página coincide con el idioma del sitio donde hiciste la conversión, no con el del documento.

Para publicarlo, pasa el texto al editor de tu sitio, pon títulos de verdad, rehaz las tablas, describe las imágenes y revisa cómo se ve en una pantalla pequeña. Guarda el PDF original para comparar y dale al HTML un nombre claro, para que nadie lo confunda con una nueva edición del documento.