Por qué al copiar y pegar de un PDF salen símbolos o caracteres extraños (y cómo solucionarlo)

Equalang

En breve

Descubre por qué un PDF nítido pega cuadrados o letras cambiadas cuando falta la tabla /ToUnicode CMap, cómo diagnosticar fuentes en 10 segundos y cómo extraer el texto limpio.

Palabras clave: copiar pegar pdf letras raras; copiar texto pdf simbolos extraños; pdf toUnicode cmap falta; pdffonts uni no; solucionar texto ilegible copiado de pdf

Cuando un documento PDF se ve perfectamente nítido en pantalla pero al pegarlo en un editor de texto aparecen cuadros huecos (``), signos incomprensibles o letras desplazadas (como "Hola" convertido en "Krod"), la causa directa es que el archivo carece de una tabla de mapeo de caracteres /ToUnicode (CMap) válida en su diccionario de fuentes incrustadas. Como el formato PDF desciende de PostScript y fue diseñado para maquetación fija y dibujo vectorial en lugar de procesamiento de texto, un visor solo necesita los identificadores de glifos (glyph IDs) y contornos vectoriales para dibujar letras definidas en el monitor. No necesita saber a qué carácter Unicode (como U+0041 para 'A') corresponde cada forma gráfica hasta que pulsas Ctrl+C o Cmd+C. Si esa tabla de equivalencias no se incluyó en el archivo, está desordenada o queda bloqueada por una capa oculta de OCR defectuoso, el portapapeles recibe índices numéricos internos en vez de texto legible.

Cómo funciona el renderizado de un PDF frente a la función Ctrl+C

Puede parecer contradictorio que tus ojos lean con total claridad un párrafo en Adobe Acrobat o Chrome mientras tu ordenador es incapaz de copiar una sola palabra inteligible. Esta discrepancia ocurre porque dibujar una página y extraer texto utilizan dos estructuras de datos totalmente independientes según la especificación del formato (ISO 32000-1:2008, Sección 9.10, Extraction of Text Content).

Cuando un visor de PDF renderiza texto en pantalla:

  1. El flujo de contenido de la página emite un operador de dibujo con una secuencia de códigos de caracteres / identificadores de glifo (por ejemplo, <0001 0002 0003> Tj).
  2. El motor gráfico abre el programa de fuentes incrustado y localiza el contorno vectorial del glifo #1, glifo #2 y glifo #3.
  3. Dibuja esas curvas de Bézier cúbicas en las coordenadas (x, y) exactas de la pantalla. En ningún momento el motor necesita comprobar si la forma #1 representa la letra 'T', un signo de integral matemática o un logotipo.

Sin embargo, cuando seleccionas esa misma línea y pulsas Ctrl+C o Cmd+C, las curvas vectoriales no sirven de nada en el portapapeles de tu sistema operativo. El visor de PDF debe traducir cada ID interno de glifo a un punto de código Unicode estándar:

[Flujo de renderizado en pantalla]
Flujo de página (<0001 0002 0003> Tj) ──► Contornos de fuente incrustada ──► Píxeles nítidos en pantalla

[Flujo de copia al portapapeles]
Flujo de página (<0001 0002 0003> Tj) ──► Tabla /ToUnicode CMap          ──► Texto Unicode (U+0054 "T"...)
                                                │
                                    (Si falta o está corrupta)
                                                ▼
                                    Símbolos / Cuadros () / Letras desplazadas

Si la herramienta que generó el PDF redujo la tipografía a un subconjunto (font subsetting) —conservando solo los 42 caracteres utilizados en el documento y numerándolos del 1 al 42 según su orden de aparición— sin adjuntar un flujo /ToUnicode explícito, el visor tiene que adivinar. El glifo #1 (que dibuja visualmente una 'T') puede terminar asignado a U+0001 (un carácter de control no imprimible), a un espacio del Área de Uso Privado (PUA) que se muestra como un cuadro hueco, o a un valor ASCII completamente desplazado.

Las 3 causas principales del texto ilegible al copiar de un PDF

No todos los fallos en el portapapeles se manifiestan de la misma forma. El aspecto exacto del texto al pegarlo en un bloc de notas revela qué capa del PDF está dañada:

Lo que ves al pegarEjemplo típicoCausa raíz dentro del PDF¿Lo solucionan conversores sin OCR?
Cuadros vacíos, signos de interrogación o caracteres de controloFuente incrustada en subconjunto con codificación Identity-H o numeración personalizada sin tabla /ToUnicode CMap.No. La asignación de caracteres no existe en el archivo.
Letras desplazadas (tipo cifrado César) o caracteres aleatorios"Hola" → "Krod" o "!#$%&"Codificación personalizada Type 1 / Type 3 u ofuscación deliberada donde los índices de glifo no coinciden con ASCII/Unicode.No. Las herramientas convencionales leen la misma tabla desplazada.
Pares de letras omitidos o símbolos extraños"eficiente" → "ef ciente" o "ef?ciente"Ligaduras tipográficas (fi, fl, ffi) o símbolos matemáticos de TeX en ranuras no estándar sin mapeo /ToUnicode múltiple.Parcialmente (solo mediante búsqueda y reemplazo manual).
Sopa de letras incoherente (1lI0O, puntuación caótica)"El resultado" → "EI rcsultado ~!"Capa oculta de OCR dañada en un PDF escaneado: un software antiguo aplicó un OCR deficiente y dejó texto invisible erróneo bajo la imagen.No. Hay que descartar la capa antigua y rehacer el OCR (--force-ocr).

1. Ausencia o corrupción de tablas /ToUnicode CMap en fuentes reducidas (subsets)

Para que los archivos ocupen poco espacio, casi todos los exportadores de PDF crean subconjuntos de fuentes (ABCDEF+TimesNewRoman), incrustando únicamente los glifos indispensables para la página. Ciertas cadenas de herramientas antiguas de LaTeX (dvips / ps2pdf), exportadores de planos CAD, controladores de impresión virtual obsoletos y flujos de protección de editoriales académicas asignan identificadores secuenciales internos (0x0001, 0x0002...) a los glifos a medida que aparecen, configuran la codificación como Identity-H y descartan por completo el diccionario /ToUnicode.

En el código fuente de los objetos internos del PDF, una fuente correcta frente a una dañada se diferencia de esta forma:

% OBJETO DE FUENTE CORRECTO (Copiar y pegar funciona)
12 0 obj
<< /Type /Font
   /Subtype /Type0
   /BaseFont /BCDFEE+CMR10
   /Encoding /Identity-H
   /ToUnicode 15 0 R        % <-- Apunta a un flujo CMap válido que traduce glifos a Unicode
>>
endobj

% OBJETO DE FUENTE DAÑADO (Copiar produce caracteres extraños)
12 0 obj
<< /Type /Font
   /Subtype /Type0
   /BaseFont /BCDFEE+CMR10
   /Encoding /Identity-H    % <-- Solo identificadores internos, ¡sin entrada /ToUnicode!
>>
endobj

2. Ligaduras tipográficas y codificaciones de símbolos matemáticos

En tipografía de alta calidad (especialmente con fuentes Computer Modern generadas en LaTeX), caracteres contiguos como la f y la i se combinan en un único glifo tipográfico (fi). Si la fuente asigna ese glifo conjunto a una posición no estándar (como 0x0C) en lugar de definir una equivalencia /ToUnicode de uno a varios caracteres (<000C> <00660069>), al copiar la palabra "first" el portapapeles obtendrá " rst" o "?rst". La misma anomalía ocurre con letras griegas, signos menos y símbolos de sumatorio almacenados en fuentes Type 1 personalizadas para fórmulas matemáticas.

3. Capa de texto OCR invisible y corrupta bajo un escaneo limpio

Al abrir artículos antiguos o libros digitalizados, la página visible suele ser una imagen de mapa de bits de alta resolución (JPEG o JBIG2). Para permitir búsquedas de texto, muchos escáneres institucionales procesaban hace una década o más un OCR rudimentario y colocaban una capa de texto transparente (modo de dibujo 3 Tr) superpuesta a la imagen. Cuando arrastras el cursor por la página, tus ojos ven el escaneo nítido, pero el ratón está seleccionando en realidad esa capa invisible de texto defectuoso creada hace años.

Diagnóstico en 10 segundos: comprueba la tabla de fuentes del PDF

Antes de perder tiempo probando múltiples visores de PDF o páginas de conversión a Word, comprueba directamente si al archivo le falta la tabla /ToUnicode.

Método A: Ejecuta pdffonts en tu terminal (el más rápido)

Si cuentas con las utilidades de la biblioteca de código abierto Poppler (brew install poppler en macOS o sudo apt install poppler-utils en Ubuntu/Debian), ejecuta pdffonts indicando la ruta del documento:

pdffonts document.pdf

Examina detenidamente las columnas sub (indica si es un subconjunto) y uni (indica si incluye /ToUnicode):

name                                 type              encoding         emb sub uni object ID
------------------------------------ ----------------- ---------------- --- --- --- ---------
GJXPKL+CMR10                         Type 1C           Custom           yes yes no       14  0
GJXPKM+CMSY10                        Type 1C           Custom           yes yes no       18  0
ArialMT                              TrueType          WinAnsi          yes no  yes      22  0
  • uni = yes: La fuente incluye tabla /ToUnicode. Si al copiar siguen saliendo caracteres erróneos, o bien la tabla tiene asignaciones incorrectas intencionadas, o bien estás copiando texto de una capa oculta de OCR defectuoso.
  • sub = yes Y uni = no: Diagnóstico concluyente. La fuente es un subconjunto personalizado sin ningún dato de conversión a Unicode dentro del archivo. Ningún visor de PDF ni conversor tradicional sin OCR puede extraer texto legible de este flujo tipográfico.

Método B: Revisa Archivo > Propiedades > Fuentes en Adobe Acrobat Reader

Si prefieres verificarlo mediante interfaz gráfica:

  1. Abre el PDF en Adobe Acrobat Reader.
  2. Pulsa Ctrl+D (Cmd+D en macOS) o accede a Archivo > Propiedades y selecciona la pestaña Fuentes.
  3. Despliega las fuentes utilizadas en la página donde falla la copia. Si encuentras Codificación: Personalizada (Encoding: Custom) o Identity-H en una tipografía con (Juego parcial incrustado) o (Embedded Subset) —sobre todo en fuentes Type 1, Type 3 o CID—, esa entrada es la causa directa del texto ilegible en el portapapeles.

Cómo recuperar y extraer texto limpio

En cuanto confirmes la ausencia de /ToUnicode (uni = no) o la presencia de una capa OCR corrupta, deja de probar atajos habituales de copiar y pegar o conversores convencionales a Word. Esas utilidades leen exactamente la misma tabla defectuosa que tu portapapeles. Para recuperar texto comprensible, es imprescindible omitir los códigos de caracteres internos del PDF y leer las formas visuales renderizadas mediante reconocimiento óptico de caracteres (OCR).

Solución 1: Capturar fragmentos cortos al instante con OCR de pantalla

Si solo necesitas copiar dos párrafos, una fila de una tabla o una referencia bibliográfica:

  • macOS (Vista Previa o Texto en Vivo): Haz una captura de pantalla (Cmd+Shift+4) del fragmento y ábrela en Vista Previa. La función Texto en Vivo de macOS ignora por completo la tabla de fuentes del PDF y te permite seleccionar y copiar el texto visual directamente desde los píxeles.
  • Windows (Extractor de texto de PowerToys): Pulsa el atajo Win+Shift+T para trazar un recuadro sobre la ventana del PDF y copiar el texto detectado directamente al portapapeles.

Solución 2: Reconstruir toda la capa de texto del PDF con ocrmypdf --force-ocr

Si necesitas un documento permanente, donde sea posible buscar con Ctrl+F y copiar con Ctrl+C a lo largo de decenas de páginas, utiliza la herramienta de terminal ocrmypdf junto con el parámetro --force-ocr. Las herramientas OCR convencionales suelen omitir las páginas que ya contienen flujos tipográficos; en cambio, --force-ocr rasteriza la página vectorial a 300 DPI, descarta la tabla /ToUnicode defectuosa (o la capa OCR antigua) y genera una capa de texto Unicode limpia y estructurada:

# Instalar ocrmypdf (macOS / Ubuntu)
brew install ocrmypdf
# o bien: sudo apt install ocrmypdf

# Forzar el reemplazo de la asignación rota o del OCR corrupto con una capa Unicode limpia
ocrmypdf --force-ocr documento-dañado.pdf documento-limpio.pdf

Si el archivo contiene varios idiomas (por ejemplo, manuales con texto en inglés y español o alemán), añade explícitamente los paquetes de idioma de Tesseract (-l eng+spa o -l eng+deu).

Solución 3: Traducir PDFs académicos o técnicos sin copiar y pegar

Con frecuencia, la necesidad de copiar texto surge al intentar traducir párrafos densos de un artículo de investigación a dos columnas o de un manual de ingeniería para pegarlos en un traductor web.

En lugar de pelear con caracteres incoherentes en el portapapeles, corregir ligaduras manualmente o reconstruir frases partidas entre columnas, puedes subir el documento directamente a un flujo de traducción documental con reconocimiento de estructura visual como Traducción de Documentos de Equalang (descubre cómo traducir y leer documentos PDF en paralelo). Al procesar la composición visual de la página, se evita la dependencia de tablas /ToUnicode ausentes, se conservan intactos el diseño a doble columna, las tablas y las fórmulas matemáticas, y se puede consultar el documento original y su traducción en paralelo con desplazamiento coordinado.

Artículo académico en inglés con formato a doble columna mostrado en vista paralela junto a su traducción en Equalang
La interfaz de Equalang muestra un artículo académico en inglés en vista paralela con su traducción, evitando la extracción manual de texto en PDFs con tablas /ToUnicode dañadas

Preguntas frecuentes

¿Por qué el PDF se ve totalmente nítido al 400% de aumento pero al copiarlo salen símbolos extraños?

Porque la nitidez visual procede de los contornos vectoriales de los glifos (curvas matemáticas descritas en la fuente incrustada), mientras que la función de copiar y pegar depende de una estructura diferente: la tabla de búsqueda de código de carácter a Unicode (/ToUnicode CMap). El visor de PDF dispone de la geometría exacta para trazar cada letra a cualquier resolución, aun cuando carece de información para identificar a qué carácter Unicode corresponde esa forma geométrica.

¿Desproteger o quitar contraseñas de permisos de un PDF soluciona el problema de texto ilegible?

No. Las restricciones de permisos de un PDF controlan si la opción de menú Copiar está habilitada o bloqueada en gris. Si puedes seleccionar texto, pulsar Ctrl+C y pegar cualquier contenido (aunque sean cuadros o caracteres desordenados), los permisos no son el motivo del fallo. La causa radica en que la tabla /ToUnicode no existe o contiene asignaciones corruptas.

¿Por qué al abrir el PDF en Microsoft Word o en un conversor gratuito aparecen exactamente los mismos símbolos?

La mayoría de conversores rápidos extraen directamente los flujos de texto del diccionario interno de fuentes del PDF sin ejecutar reconocimiento óptico de caracteres. Cuando pdffonts marca uni = no, los identificadores Unicode no están almacenados en el archivo; por tanto, cualquier programa que no aplique OCR visual obtendrá idéntico resultado erróneo.

Fuentes