¿Qué es la separación silábica en un PDF?
La separación silábica consiste en partir una palabra larga al final de una línea y marcar el corte con un guion, para que las líneas de un párrafo queden bien rellenas. En un libro impreso es un trabajo invisible, pero en un PDF el corte pasa a formar parte del texto. Al copiar un párrafo, buscar una palabra o convertir el archivo en un documento editable, una palabra como información puede aparecer como infor- y mación en dos líneas distintas. Quien lee ve una sola palabra, mientras que el programa ve dos trozos.
Guion blando y guion duro
Un procesador de textos puede insertar un guion blando, que solo aparece cuando la palabra cae al final de una línea y desaparece en caso contrario, o un guion duro corriente, que siempre forma parte de la palabra, como en hispanoamericano. Una vez que el documento se exporta a PDF, la maquetación queda fija y la diferencia suele perderse. El texto extraído puede contener entonces un guion que era solo un salto de línea junto a guiones que pertenecen a palabras compuestas.
Efecto en la búsqueda y la extracción
La búsqueda de una palabra completa falla cuando la palabra se partió entre dos líneas, y el texto copiado conserva los trozos rotos. Esto afecta también al reconocimiento de texto en páginas escaneadas, donde el programa lee el guion como un carácter normal. La limpieza habitual consiste en unir la palabra que termina una línea con guion a la primera parte de la línea siguiente, y conservar el guion cuando la palabra es un compuesto genuino.
Usar AuraDoc para esto
PDF a texto extrae las palabras de un archivo como texto sin formato, PDF a Word convierte un documento en un archivo editable y OCR de PDF reconoce el texto de las páginas escaneadas para poder buscarlo. Después de cualquiera de ellos, revise el resultado en busca de palabras partidas al final de una línea. Cada resultado es un archivo nuevo, así que el original queda como estaba.
Herramientas que usan este término
Guías que lo ponen en práctica
- Extraer el texto de un PDFPaso a paso: lee la capa de texto de un PDF, ejecuta el reconocimiento de texto en un escaneo y convierte el resultado en un archivo Word editable.
- Editar un PDF como archivo WordPaso a paso: comprueba si el PDF tiene texto real, aplica OCR si no, conviértelo a Word, compáralo con el original y guarda el texto terminado otra vez como PDF.
Preguntas frecuentes
- ¿Un guion al final de línea es siempre un guion real?
- No. Muchas veces es solo un corte insertado para ajustar la línea. La línea siguiente empieza con el resto de la palabra, y las dos partes van juntas.
- ¿Por qué no encuentro una palabra que veo en la página?
- Puede estar partida entre dos líneas por la separación silábica, de modo que la búsqueda ve dos fragmentos en lugar de una palabra. Buscar una parte más corta de la palabra suele bastar para dar con ella.
- ¿Debo quitar todos los guiones del texto extraído?
- No. Solo los que marcan un salto de línea. Los guiones de las palabras compuestas y de los intervalos forman parte del texto y deben quedarse.