¿Qué es un PDF? Estructura, historia y cómo convertirlo

Cuando envías un contrato por correo, quieres que al otro lado se abra con la misma maquetación, las mismas fuentes y los mismos saltos de página. El PDF (Portable Document Format) se creó justo para eso. Hoy la mayoría de los documentos que se consideran «definitivos», desde facturas y sentencias hasta artículos científicos y tarjetas de embarque, circulan en PDF. En este artículo verás de dónde viene el PDF, qué hay dentro del archivo, qué versiones existen y qué se conserva o se pierde al convertir un PDF a otro formato.

¿Qué es un PDF?

El PDF es un formato de archivo que describe cada página de un documento con un aspecto fijo. En los formatos de edición como Word, el texto «fluye»: si estrechas la ventana o cambias la fuente, las líneas se recolocan. En un PDF, la posición de cada carácter, línea e imagen en la página está decidida de antemano. El archivo reúne en un solo paquete el texto, las fuentes (normalmente incrustadas), las imágenes y los gráficos vectoriales, de modo que el documento se ve igual en un ordenador que no tiene la aplicación original, en un móvil o en una impresora.

Ese diseño tiene un precio: el PDF es un formato de salida. No siempre contiene información semántica como párrafos, títulos o tablas. A menudo solo contiene instrucciones del tipo «dibuja estos glifos en esta coordenada». Tener clara esta diferencia explica por qué es difícil editar un PDF o volver a convertirlo en un documento de Word.

Un poco de historia

El PDF nace de una propuesta de 1991 de John Warnock, cofundador de Adobe, llamada «The Camelot Project». El objetivo era capturar documentos desde cualquier aplicación y verlos o imprimirlos en cualquier equipo. Según Adobe, en 1992 el proyecto ya se había convertido en el PDF, y el PDF y el programa Acrobat que lo lee se lanzaron el 15 de junio de 1993.

Durante sus primeros quince años el PDF fue una especificación de Adobe y fue sumando funciones versión a versión: formularios interactivos (AcroForms) en la 1.2, transparencias y metadatos XMP en la 1.4, y capas, flujos de objetos y flujos de referencias cruzadas en la 1.5, publicada en agosto de 2003. El verdadero punto de inflexión llegó en 2008, cuando el PDF 1.7 se convirtió en la norma internacional ISO 32000-1:2008 el 1 de julio de 2008 y el control del formato pasó a un comité de ISO. Después llegó PDF 2.0 (ISO 32000-2) en 2017, con una segunda edición corregida en diciembre de 2020. Desde abril de 2023 la PDF Association ofrece ISO 32000-2 como descarga gratuita.

Para hacerse una idea de la escala: en una entrada de blog de junio de 2023, Adobe afirmó que sus clientes habían abierto más de 400 000 millones de PDF en productos Acrobat durante el año anterior. Esa cifra solo cubre los productos de Adobe; no incluye los visores integrados en los navegadores ni otros programas.

¿Qué hay dentro de un archivo PDF?

Si abres un PDF con un editor de texto, la primera línea muestra una marca de versión como %PDF-1.7. El resto del archivo tiene cuatro partes principales:

1. Cabecera: la primera línea, que declara el formato y la versión.
2. Cuerpo: los «objetos indirectos» que forman el documento. Cada objeto tiene un número de objeto y un número de generación. Las páginas, las fuentes, las imágenes y los flujos de contenido son objetos.
3. Tabla de referencias cruzadas (xref): indica la posición en bytes de cada objeto, lo que permite al lector saltar directamente a cualquier página sin recorrer todo el archivo. Desde PDF 1.5 también puede guardarse como un «flujo xref» comprimido.
4. Tráiler y fin de archivo: un diccionario que apunta al catálogo del documento (/Root), seguido de startxref (dónde empieza la xref) y la marca %%EOF.

Un ejemplo simplificado tiene este aspecto:

%PDF-1.7
1 0 obj << /Type /Catalog /Pages 2 0 R >> endobj
2 0 obj << /Type /Pages /Kids [3 0 R] /Count 1 >> endobj
3 0 obj << /Type /Page /Parent 2 0 R /Contents 4 0 R >> endobj
4 0 obj << /Length 44 >> stream
BT /F1 12 Tf 72 720 Td (Hello) Tj ET
endstream endobj
xref ...
trailer << /Root 1 0 R /Size 5 >>
startxref ...
%%EOF

El contenido real de la página está en el flujo de contenido. En el ejemplo, el bloque BT ... ET es un objeto de texto, Tf elige la fuente y el tamaño, Td fija la posición y Tj pinta el texto. Fíjate en que aquí no existe la idea de «párrafo» ni de «título», solo glifos colocados en una posición. Incluso una única línea visual suele estar dividida en varios fragmentos.

Otra característica del PDF es la actualización incremental. Cuando añades un comentario o una firma, el programa puede agregar objetos nuevos y una nueva sección xref al final del archivo en lugar de reescribirlo. Las firmas digitales se apoyan en este mecanismo para mantener intacto el contenido firmado.

Perfiles y subnormas de PDF

Junto a ISO 32000 existen perfiles de PDF restringidos para usos concretos. El más conocido es PDF/A, pensado para el archivo a largo plazo. Su primera parte, PDF/A-1, se publicó como ISO 19005-1 en octubre de 2005. Un archivo PDF/A debe incrustar todas las fuentes, definir los colores de forma independiente del dispositivo e incluir metadatos XMP, y prohíbe el cifrado, JavaScript, el audio, el vídeo y las dependencias externas. Por eso los archivos y los organismos públicos suelen pedir PDF/A.

Una distinción más práctica es la que separa los PDF con texto de los PDF escaneados. Un archivo generado con «Guardar como PDF» desde Word o un navegador contiene texto real que puedes seleccionar, buscar y copiar. Una hoja de papel pasada por un escáner es solo una imagen dentro de un PDF. Para sacar el texto hace falta OCR (reconocimiento óptico de caracteres).

¿Dónde se usa el PDF?

• Documentación legal y oficial: contratos, escritos y resoluciones, gracias en parte a la compatibilidad con la firma digital.
• Contabilidad y comercio electrónico: facturas, recibos y extractos bancarios.
• Edición e imprenta: archivos listos para imprimir, libros electrónicos y catálogos.
• Ámbito académico: artículos, tesis y apuntes.
• Formularios: solicitudes y declaraciones rellenables.
• Archivo: documentos que deben conservarse durante décadas, con PDF/A.

Ventajas y desventajas

¿Qué programas abren un PDF?

Casi nunca hace falta instalar nada. Chrome, Edge, Firefox y Safari incluyen un visor de PDF. En macOS los abre Vista Previa y en Windows, Edge. Para la edición avanzada, el diseño de formularios y la firma, lo habitual es Adobe Acrobat. Microsoft Word también puede abrir un PDF e intentar convertirlo en un documento editable, con resultados que dependen de la complejidad del archivo. En Linux se usan mucho Evince, Okular y las herramientas de Poppler.

Problemas habituales y cómo resolverlos

El texto copiado de un PDF sale desordenado

Un PDF puede guardar el texto en el orden en que se dibuja y no en el orden de lectura. En un artículo a dos columnas las líneas pueden mezclarse, y algunas fuentes se incrustan sin correspondencia Unicode, así que los caracteres con tilde pueden verse mal. Convertir el PDF a TXT o a Word suele dar un resultado más limpio que copiar desde el visor.

El archivo está cifrado y no se abre ni se convierte

Un PDF puede tener dos tipos de contraseña: una de apertura y otra de permisos (para editar o imprimir). Ningún conversor puede leer un archivo con contraseña de apertura sin conocerla. Si tienes la contraseña, abre el archivo, quita la protección, guárdalo de nuevo y luego conviértelo.

No puedo buscar en un PDF escaneado

El archivo contiene imágenes, no texto, así que la búsqueda y la copia no funcionan. Necesitas un programa de OCR para añadirle una capa de texto.

Las fuentes se ven distintas del original

Si la aplicación que creó el archivo no incrustó las fuentes, el visor las sustituye por otras parecidas. Activar «incrustar fuentes» al exportar, o guardar como PDF/A, lo evita.

Consejos para convertir archivos PDF

Convertir un PDF significa reconstruir una maquetación de página fija como un documento que fluye, así que incluso la mejor herramienta tiene que hacer suposiciones razonadas. Así lo hace nuestro conversor: cuando conviertes PDF a Word, el archivo se sube a nuestro servidor, las herramientas de código abierto de Poppler leen cada fragmento de texto junto con su posición y las líneas se vuelven a unir en párrafos. El formato de los caracteres, como la negrita y la cursiva, y el orden de lectura se conservan en gran medida, pero las páginas a varias columnas, las tablas complejas y los cuadros posicionados pueden no coincidir exactamente con el original. Los archivos subidos se eliminan del servidor en un plazo de 30 minutos.

• Si solo necesitas el texto, convertir PDF a TXT da el resultado más limpio: se descarta el formato y queda texto plano legible.
• Si quieres conservar el aspecto de la página en la web, PDF a HTML coloca el texto en sus posiciones originales dentro de la página.
• Los PDF escaneados no contienen texto, así que nuestro conversor no puede extraer de ellos texto editable. Pásalos antes por OCR.
• Los PDF cifrados no se pueden convertir; verás un mensaje que te pide quitar la contraseña.

En sentido contrario es más fácil. Con Word a PDF, los archivos DOCX, DOC y RTF pasan directamente a PDF mediante LibreOffice sin pasos intermedios, de modo que se conservan la maquetación, los encabezados y pies de página, las tablas y las imágenes. Si usaste una fuente que no está instalada en el servidor, puede sustituirse por otra parecida. Los originales en HTML, Markdown y TXT se maquetan en páginas A4 y un motor de navegador los imprime a PDF.

Preguntas frecuentes

¿Cuándo se creó el PDF?

La idea se remonta a la propuesta Camelot de John Warnock, de 1991. El PDF y Acrobat se lanzaron el 15 de junio de 1993, y el formato se convirtió en la norma internacional ISO 32000-1 en 2008.

¿Qué diferencia hay entre PDF 1.7 y PDF 2.0?

PDF 1.7 es la última versión de Adobe, normalizada como ISO 32000-1 en 2008. PDF 2.0 (ISO 32000-2) se desarrolló íntegramente dentro de ISO, se publicó en 2017 y se corrigió en una edición de 2020. En el uso diario ambas se abren con los mismos programas.

¿Qué es PDF/A y cuándo debo usarlo?

PDF/A es un perfil de PDF restringido para el archivo a largo plazo. Exige fuentes incrustadas y prohíbe funciones como el cifrado y JavaScript. Elígelo cuando un documento deba abrirse igual dentro de muchos años o cuando una institución lo exija.

¿Por qué se descoloca la maquetación al convertir un PDF a Word?

Porque un PDF normalmente no tiene información de párrafos ni de tablas, solo glifos colocados en una posición. El conversor tiene que reconstruir líneas y párrafos a partir de esos fragmentos. Los documentos sencillos a una columna se convierten muy bien; las páginas a varias columnas o con muchas tablas pueden necesitar retoques a mano.

¿Puedo convertir un PDF escaneado en texto editable?

Para eso hace falta OCR. Nuestro conversor no hace OCR; solo traslada el texto que realmente existe en el PDF. Pasa primero el documento escaneado por un programa de OCR y después conviértelo.

¿Es seguro convertir mis PDF?

La conversión de documentos se hace en nuestro servidor. El archivo se usa solo para la conversión y se elimina en un plazo de 30 minutos. Aun así, si se trata de material muy confidencial, quizá prefieras no subirlo a ningún servicio en línea.

Fuentes

• Adobe: What is a PDF? (The Camelot Project y el nacimiento del PDF)
• Blog de Adobe: Celebrating 30 years of digital transformation with Adobe Acrobat (15 de junio de 2023)
• Library of Congress: descripción del formato PDF 1.5
• Library of Congress: PDF/A-1, ISO 19005-1:2005
• Wikipedia: PDF (historia y estructura del archivo, fuente secundaria)
• Biblioteca de renderizado de PDF Poppler