Una tabla puede incluir todas las cifras esperadas y aun así decir algo distinto. Basta con desplazar un valor una columna a la derecha para que pase a describir otro año, otro tratamiento u otra unidad. Revisar el OCR de tablas en PDF escaneados consiste en comprobar la relación entre etiquetas y valores, no solo si los dígitos parecen verosímiles.
Empieza por la imagen original de la página y por una tabla completa. Examina el encabezado, el cuerpo, las notas y cualquier continuación antes de copiar valores a una hoja de cálculo o a un informe.
Reconstruye los encabezados combinados antes de revisar las celdas
Un encabezado puede abarcar varias columnas, con una segunda fila que aporta las etiquetas individuales. Por ejemplo, «Producción anual» podría cubrir dos años, cada uno dividido en distintos tipos de producto. Si el encabezado que abarca varias columnas desaparece, las filas exportadas pueden parecer ordenadas, pero pierden su significado.
Escribe la etiqueta completa de un valor de muestra: título de la tabla, encabezado de grupo, encabezado de columna, encabezado de fila y unidad. Después, comprueba si quien lea la conversión puede reconstruir esa etiqueta solo con ella.
Haz lo mismo con las etiquetas de fila combinadas. Una categoría impresa una sola vez junto a varias filas puede aplicarse a todas ellas. Una celda vacía debajo no tiene por qué indicar un dato ausente, y rellenar cada hueco con un cero alteraría el original.
Para elegir más adelante cómo representar las tablas en Markdown, consulta Tablas de PDF a Markdown. Aquí la cuestión es si la tabla original se reconoció correctamente.
Sigue los valores en ambos sentidos
Elige un valor en el escaneo y localiza su fila y su columna en el resultado. Luego toma un valor del resultado y rastréalo hasta el escaneo. La comprobación inversa puede sacar a la luz filas duplicadas o valores que no tienen un origen visible.
Toma muestras de posiciones distintas: primera fila, fila intermedia, última fila y una fila con un marcador de nota o puntuación poco habitual. Revisa los separadores decimales, los signos menos, los separadores de miles, los porcentajes, los rangos y los paréntesis. Todo ello puede cambiar el significado aunque los dígitos que lo rodean sean correctos.
Mantén las diferencias entre celda vacía, guion, «no aplicable» y cero. Es posible que la leyenda de la tabla asigne a cada uno un significado distinto. No los normalices por comodidad hasta haber entendido esa leyenda, y anota el cambio por separado.
Lee las unidades junto con el encabezado y las notas
Un valor bajo el encabezado «Ingresos» está incompleto si «en miles» aparece solo encima de la tabla o en una nota debajo. Confirma que ese calificador se conserva y sigue asociado a los valores correctos.
Revisa también las unidades que aparecen dentro de las celdas. Los superíndices, los prefijos y los símbolos de grado pueden ser tan pequeños que desaparezcan en un escaneo de baja calidad. Un cambio de miligramos a gramos no es un detalle tipográfico menor.
Si más adelante traduces el documento, separa el reconocimiento de las unidades de la elección de idioma. No conviene confiar en que quien traduce descubra que el OCR perdió un exponente. Revisa primero el original reconocido y después compara los encabezados y las explicaciones traducidos.
Une las tablas de varias páginas con cautela
Busca indicaciones de «continúa», encabezados de columna repetidos, filas divididas y notas que solo aparecen tras la última página. Un encabezado repetido no debe convertirse en una fila de datos adicional; una etiqueta de fila repetida puede ser una continuación y no una segunda observación.
Comprueba la última fila de datos antes del salto de página y la primera después. Si una descripción continúa en la página siguiente, confirma que sus valores siguen perteneciendo al mismo elemento. Puede que las notas al pie del final se apliquen a filas de páginas anteriores.
Conserva los límites de página en tu registro de revisión aunque los elimines de la tabla de trabajo. Te permiten reconstruir de dónde procede una línea omitida o una duplicación inesperada.
Anota las discrepancias sin adivinar las cifras
Usa un registro sencillo: página y tabla de origen, etiqueta de fila, etiqueta de columna, valor en disputa, lectura del original y estado de la corrección. Marca como pendiente cualquier valor ilegible. No elijas un número solo porque así cuadren los totales.
Los totales y los rangos pueden servir como comprobación cruzada, pero no son una prueba. El propio original puede contener errores de redondeo o de edición. Mantén las correcciones de reconocimiento separadas de cualquier interpretación posterior de los datos.
PDF Craft reconoce tablas durante la conversión de PDF, incluido el material escaneado. Elige Markdown si el objetivo es editar y reutilizar el contenido, y después compara el archivo descargado con el original. Revisa con atención las tablas complejas o poco nítidas; ninguna garantía general cubre todas las celdas combinadas ni todas las estructuras que se extienden a lo largo de varias páginas.
Antes de usar la tabla en tus notas de investigación, verifica a la vez su título, sus unidades, las filas de muestra y las notas. El flujo de trabajo de PDF a Markdown para investigación explica cómo conservar ese contexto de origen cuando la tabla sale del documento original.