Cómo extraer tablas de un PDF

Por qué es tan difícil extraer tablas de un PDF

Un PDF no tiene el concepto de tabla. Lo que parece filas y columnas son solo fragmentos de texto colocados en coordenadas x/y, a veces con líneas dibujadas entre ellos. La "tabla" solo existe en tus ojos — el archivo no guarda celdas, ni filas, ni cabecera.

Por eso todo método de extracción es una reconstrucción: un algoritmo que adivina qué fragmentos de texto pertenecen a la misma celda, qué celdas forman una fila y dónde empiezan las columnas. Las tablas con rejilla (líneas de cuadrícula visibles) son más fáciles de reconstruir; las tablas separadas solo por espacios, las celdas combinadas, las celdas de varias líneas y las tablas que ocupan varias páginas son donde falla la mayoría de las herramientas.

Los PDF escaneados añaden otra capa: la página es una fotografía, así que no hay texto alguno hasta que se ejecuta el OCR. Elige tu método según cuál de estos problemas tenga tu documento.

Método 1: copiar y pegar en Excel (rápido, tablas pequeñas con rejilla)

Para una tabla sencilla y bien delimitada, selecciónala en tu visor de PDF, cópiala y pégala en Excel o Google Sheets. Si todo aterriza en una sola columna, usa Datos → Texto en columnas (Excel) o Datos → Dividir texto en columnas (Sheets) para volver a separar los valores.

Una variante útil: pega primero en un editor de texto plano para ver qué estructura sobrevivió. Si los valores están separados por espacios o tabulaciones consistentes, Texto en columnas recuperará la tabla; si las filas llegan intercaladas o truncadas, ninguna división lo va a arreglar.

Cuándo funciona: tablas con rejilla de una sola página y con valores cortos en las celdas. Cuándo falla: celdas combinadas, texto de varias líneas dentro de una celda, números con separadores de miles que se parten, y cualquier documento escaneado.

Método 2: Power Query de Excel o Word (integrado, sin herramientas extra)

El Excel moderno puede importar tablas de PDF directamente: Datos → Obtener datos → Desde un archivo → Desde PDF. Excel analiza el documento, lista todas las tablas que detecta y muestra una vista previa — elige la tabla, pulsa Cargar y aterriza como un rango de hoja de cálculo de verdad. Es la mejor opción integrada en Windows (requiere una licencia de Microsoft 365 o 2021+ y no está disponible en todas las versiones de Excel para Mac).

Word también puede abrir PDF directamente (Archivo → Abrir → seleccionar el PDF). Convierte el documento en un archivo editable, y las tablas sencillas suelen sobrevivir como tablas reales de Word que puedes copiar a Excel.

Cuándo funciona: PDF creados digitalmente con tablas claramente delimitadas. Cuándo falla: las tablas separadas solo por espacios a menudo se pierden o se dividen mal, las tablas de varias páginas se importan como fragmentos separados, y los PDF escaneados no producen nada — Power Query no hace OCR.

Método 3: librerías de Python — camelot, tabula-py, pdfplumber (desarrolladores)

Si necesitas extraer tablas de muchos PDF de forma programática, las opciones open source consolidadas son camelot (la mejor con tablas con rejilla, dos modos de detección), tabula-py (un wrapper del motor Java Tabula, sólido con diseños consistentes) y pdfplumber (control de bajo nivel sobre palabras, líneas y rectángulos — la mejor cuando necesitas lógica a medida).

Un ejemplo mínimo con camelot: pip install camelot-py[cv], luego tables = camelot.read_pdf("report.pdf", pages="all") y tables[0].df te da un DataFrame de pandas. Exporta con .to_csv() o .to_excel().

El problema: cada librería favorece un estilo de maquetación, y los documentos reales mezclan estilos. Cuenta con ajustar parámetros por familia de documentos (flavor="stream" frente a "lattice" en camelot, pistas de área en tabula), y ninguna maneja PDF escaneados — tendrías que ejecutar OCR antes y perder la maquetación por el camino.

Para una visión más amplia del parseo de PDF en Python más allá de las tablas, consulta nuestra guía sobre convertir PDF a Markdown en Python.

Método 4: extracción con IA (PDF escaneados, diseños mixtos, gran escala)

El enfoque más reciente usa modelos de comprensión de documentos que leen la página como lo haría una persona — detectan la estructura de la tabla a partir del diseño visual en lugar de depender de líneas de rejilla o heurísticas de coordenadas. Es la única clase de método que maneja documentos escaneados, páginas fotografiadas y diseños inconsistentes en una sola pasada.

ParseJet funciona así: sube un PDF en parsejet.com/tools/pdf-to-markdown y las tablas vuelven como tablas Markdown limpias en orden de lectura — las páginas escaneadas pasan por OCR automáticamente. Si quieres datos en lugar de texto, la API devuelve el documento parseado como salida estructurada (mira la herramienta de PDF a JSON), y con una petición POST por archivo resulta práctico para pipelines por lotes.

Cuándo funciona: documentos escaneados y fotografiados, diseños mixtos de rejilla y espacios, y procesamiento por lotes donde ajustar cada documento es inviable. La contrapartida: es un servicio alojado — para una tabla puntual en un PDF limpio, el Método 1 o el 2 son más rápidos.

¿Qué método deberías usar?

Una tabla pequeña con rejilla, una sola vez: copiar y pegar (Método 1), con Power Query de Excel (Método 2) como plan B si el pegado se descuadra.

Informes recurrentes con el mismo diseño: Power Query para quien trabaja en hojas de cálculo, camelot o tabula-py (Método 3) para desarrolladores — una configuración inicial que se amortiza con cada archivo futuro.

Documentos escaneados, fotos o diseños mixtos y desordenados: la extracción con IA (Método 4) es, siendo realistas, la única opción que no implica reteclear.

Cientos de documentos con diseños variables: el Método 4 vía API — ajustar las librerías del Método 3 documento a documento no escala más allá de unas pocas familias de diseño.