# Limpiar Markdown de OCR sin alterar el significado del original Corrige encabezados, líneas partidas, uniones entre páginas y encabezados repetidos en el Markdown de OCR, y conserva un original que puedas comprobar. Es más fácil cometer errores al limpiar un texto de OCR cuando ya parece correcto. Unir dos líneas puede arreglar un párrafo, pero unir los bloques equivocados puede dar lugar a una frase que el autor nunca escribió. Eliminar números repetidos puede despejar los pies de página o borrar una lista. Conserva el PDF original y la exportación sin tocar. Trabaja sobre una copia y trata cada regla de limpieza como algo que hay que probar con el documento, no como algo que se aplique a ciegas a todo el archivo. ## Recupera primero los encabezados significativos Lee los títulos de sección en el original y compáralos con el esquema del Markdown. Una línea impresa de gran tamaño puede ser el título de un capítulo, el pie de una figura o un encabezado de página. El tamaño por sí solo no determina su función. Usa los niveles de encabezado para reflejar la jerarquía real. Un capítulo puede contener secciones y subsecciones sin que cada frase destacada se convierta en un encabezado nuevo. Mantén el texto necesario para identificar la misma sección en el PDF. Si los encabezados de página repiten el título del libro o del capítulo, elimina los duplicados confirmados del texto de trabajo en lugar de convertir cada uno en una entrada del esquema. Comprueba que el encabezado auténtico siga al principio de la sección. En un documento largo, corrige un capítulo y revisa su esquema antes de repetir el mismo criterio en otros puntos. Las distintas partes de un manual, el índice y los apéndices pueden seguir convenciones diferentes. ## Une las líneas partidas sin aplanar la estructura La extracción de PDF puede dejar un salto de línea tras cada línea impresa. En prosa normal, esas líneas pueden formar parte de un mismo párrafo. Pero un salto de línea también puede separar elementos de una lista, versos, código o una ecuación en bloque. Un ejemplo de limpieza escrito a mano sería este: ```text Antes: Las muestras se guardaron en un armario seco hasta la segunda prueba. Después: Las muestras se guardaron en un armario seco hasta la segunda prueba. ``` Esto ilustra una decisión de edición, no el resultado medido de una conversión. Consulta el PDF antes de aplicar la misma regla a un pasaje real. Presta atención a los guiones al final de línea. Una palabra dividida por la maquetación puede necesitar que se una; un compuesto real necesita conservar su guion. No elimines todos los guiones seguidos de un salto de línea sin revisar ejemplos. Entre páginas, lee juntas la última frase del original y la primera de la página siguiente. Un pie de página intermedio, la continuación de una nota o un cambio de columna pueden hacer que una unión simple sea incorrecta. ## Elimina el ruido de paginación con una regla concreta Localiza encabezados, pies de página, números de página y artefactos de escaneo que se repitan. Confirma el patrón en varias páginas antes de usar buscar y reemplazar. La misma palabra puede aparecer de forma legítima en el cuerpo del texto, y un número suelto puede ser un dato y no un número de página. Es preferible una regla ligada a la estructura repetida real que borrar todas las líneas cortas. Aplícala a una selección pequeña, revisa los cambios y mantén la opción de deshacer. Si el documento incluye secciones a dos columnas, consulta la [guía para resolver problemas de orden de lectura](https://pdfcraft.ai/es-ES/blog/pdf-markdown-reading-order/) antes de tomar un salto brusco por simple espacio en blanco. Mientras limpias, mantén las tablas, los pies de figura y las notas al margen separados de la prosa normal. Su estructura de líneas suele encerrar un significado que las reglas generales de párrafo destruirían. ## Compara el antes y el después en los mismos puntos del original Elige varios párrafos, una lista, una tabla y una nota. Compara la exportación sin tocar, la copia editada y el PDF original. Revisa las palabras y sus relaciones, no solo el aspecto ordenado. Anota las correcciones relevantes: un encabezado recuperado, un pie de página repetido que se ha eliminado, un límite de párrafo corregido o un error de reconocimiento sin resolver. Distingue los cambios de formato de los cambios en cifras o terminología. Una revisión que se lee mejor puede haber alterado la información. Previsualiza el Markdown en el editor de destino. El Markdown básico y sus extensiones no tratan igual las tablas, las fórmulas y las notas; [CommonMark](https://spec.commonmark.org/) define la sintaxis básica, no el comportamiento de cada aplicación. ## Termina con un archivo reutilizable y rastreable [PDF Craft](https://pdfcraft.ai/es-ES/pdf-craft/pdf-to-markdown/) puede convertir en Markdown PDF escaneados y PDF con texto para que los edites. Elige Markdown después de subir el archivo, descarga el resultado y revísalo con el original delante. Este flujo de trabajo no requiere ni presupone una función aparte para subir Markdown ya existente y traducirlo. Guarda las imágenes y demás recursos junto al documento limpio y comprueba sus rutas después de moverlo. Conserva el título, la edición y las referencias de página del original si sigues el [flujo de trabajo para notas de investigación](https://pdfcraft.ai/es-ES/blog/pdf-to-markdown-for-research/). El punto adecuado para parar no es un archivo sin irregularidades visibles. Es un archivo cuya estructura sea utilizable, cuyas correcciones importantes estén verificadas y cuyos pasajes dudosos queden claramente marcados para revisión.