Saltar al contenido

Experimento original · seis textos de prueba elegidos

Cuando la búsqueda en un libro electrónico funciona pero el texto extraído cambia: un experimento en seis idiomas

Una búsqueda en un PDF puede encontrar una palabra que falta en el texto extraído por defecto del archivo. Una reparación puede recuperar esa palabra y, sin avisar, eliminar otro guion legítimo. En este experimento controlado ocurrieron ambas cosas en seis textos de prueba elegidos a propósito, uno por idioma. Por eso quien publica necesita dos comprobaciones: si la publicación permite encontrar el pasaje buscado y si el pasaje extraído sigue coincidiendo con el manuscrito.

Publicado
Compartir
Comparte esta página
CorreoCómo citar y reutilizar
Resultados principales en texto
Imágenes reutilizablesCuando la búsqueda en un libro electrónico funciona pero el texto extraído cambia: un experimento en seis idiomas — 6 / 6: Búsqueda nativa del PDF · Palabra larga. Textos de prueba originales · casos elegidos, no tasas de la poblaciónDescargar imagen para compartir (JPG) ↓

Resultados principales

6 / 6

Búsqueda nativa del PDF · Palabra larga

Textos de prueba originales · casos elegidos, no tasas de la población

0 / 6

Extracción con eliminación de guiones · Texto completo exacto

Cada salida reparada pierde un guion real; coinciden 11 de 12 bloques.

12 / 12

Control de origen XHTML + control de origen EPUB

Textos de prueba originales · casos elegidos, no tasas de la población

La decisión antes de la puntuación

Quien prepara una muestra de lectura descargable puede razonablemente probar su título, el nombre de un personaje y una frase distintiva. Encontrarlos es útil. Establece que esas consultas funcionaron en ese programa concreto. No establece que un revisor, un traductor o un lector reciban los mismos caracteres al copiar el párrafo que los rodea a otro documento. La búsqueda, la extracción y la comparación con el texto de referencia son operaciones distintas, incluso cuando parten del mismo PDF.

La pregunta práctica es deliberadamente estrecha. Cuando se elimina un guion de fin de línea para recuperar una palabra partida, ¿puede el proceso conservar también un guion que pertenece a la palabra? En los ajustes probados, la respuesta fue que no. Dos perfiles de reparación recuperaron las seis palabras objetivo partidas por la maquetación, pero también borraron los seis guiones legítimos de palabras compuestas cuando esos compuestos cruzaban una línea. La búsqueda nativa predeterminada del PDF recuperó las palabras partidas por la maquetación, mientras que la extracción predeterminada no.

Este resultado sugiere una comprobación previa a la publicación con dos ejemplos opuestos, en lugar de un único éxito tranquilizador. Conviene incluir una palabra que deba unirse y un compuesto que deba conservar su guion. El manuscrito original debe seguir siendo la referencia para decidir qué operación es la correcta. Una regla automática que elimine todo guion de fin de línea que cumpla la condición no puede deducir la intención de la autora o del autor solo a partir de esa puntuación.

Qué contienen los textos de prueba

El experimento usa seis microrrelatos escritos para la ocasión, uno en cada idioma: inglés, portugués, español, francés, italiano y alemán. Cada texto de prueba tiene dos capítulos en miniatura, una breve narración, una nota a pie de página y una pequeña tabla de dos columnas representada como tres bloques de fila. Estos textos se crearon para el experimento; no se subió ni se procesó ninguna novela publicada, ningún manuscrito de cliente ni ningún libro electrónico comercial protegido. Son material de prueba, no una muestra representativa de libros comerciales.

Cada idioma tiene una referencia canónica exacta con doce bloques de texto ordenados. Los mismos pasajes canónicos aparecen en PDF, XHTML y EPUB. La referencia contiene además una tarjeta de prueba con un acento descompuesto, un acento compuesto, una ligadura literal ffi, letras ordinarias y un dígito dentro de un círculo. Esos ejemplos hacen inspeccionables las decisiones de normalización. Están en la fuente a propósito y no se tratan como corrupción accidental solo porque exista otra forma de escribirlos en Unicode.

El par en inglés es reconciliation y well-being. El portugués usa reconciliação y guarda-chuva; el español, reconciliación y teórico-práctico; el francés, réconciliation y rendez-vous; el italiano, riconciliazione e italo-francese; el alemán, Wiedervereinigung y E-Mail. Son objetivos de diagnóstico fijos. Seis aciertos o fallos significan seis textos de prueba elegidos, no una estimación del porcentaje de libros o de lectores afectados en esos idiomas.

Cuatro condiciones emparejadas de PDF

Para cada idioma, el PDF de control ajusta las líneas con normalidad sin partir ninguno de los dos objetivos. Una segunda condición parte la palabra larga y añade un guion de presentación en el corte. Una tercera parte el compuesto existente justo después de su guion real. Una cuarta incluye ambos cambios. La cuadrícula resultante contiene 24 PDF de una página. Los controles XHTML y EPUB conservan las cadenas canónicas sin partir; el CSS permite la separación silábica automática, en lugar de insertar el guion de presentación en su texto de origen.

El diseño cambia el salto de línea especificado y, en la condición de la palabra larga, el guion de presentación no canónico. Los demás pasajes, los tamaños de letra, el orden de los bloques y el ajuste normal de las líneas permanecen fijos. No compara conversiones comerciales cuidadas ni aplicaciones de edición competidoras. El programa que escribe el PDF coloca el texto de forma explícita, lo que hace reproducible la intervención y hace visible su respuesta esperada en la referencia canónica. Partir una palabra en un punto elegido es una intervención de diagnóstico, no una recomendación de una división silábica elegante en términos tipográficos.

El plan original se redactó antes de generar los textos de prueba y de extraer el texto. Un piloto reveló después dos problemas de construcción: la fuente con remates no tenía el glifo del dígito dentro de un círculo, y la primera consulta de acentos podía coincidir con el ejemplo ya compuesto. El piloto se conserva. Los textos de prueba aceptados añaden una fuente de símbolos de respaldo con licencia abierta y una consulta única para el par de acentos. La enmienda se declara porque este es un experimento controlado y transparente, no un preregistro intacto ni un análisis confirmatorio ciego.

Herramientas y operaciones que se ejecutaron de verdad

La ejecución sin conexión usó PyMuPDF 2.0, pypdf 6.21.4 y lxml 6.1.3, y ReportLab 5.1.0 escribió los textos de prueba. Eran las versiones que devolvía el índice oficial de paquetes en la fecha de revisión de las fuentes. PyMuPDF usa su extracción de texto simple predeterminada y un segundo perfil de extracción que activa TEXT_DEHYPHENATE. Su búsqueda nativa predeterminada se mide por separado. El resultado de una búsqueda nativa no se cuenta como resultado de extracción de texto.

Con pypdf, la ejecución compara la extracción simple, la extracción con disposición y una regla de posprocesamiento declarada. Esa regla elimina un guion situado justo entre un carácter de palabra y un salto de línea seguido de otro carácter de palabra. No tiene diccionario, ni detector de idioma, ni consulta del manuscrito, ni juicio contextual. Sus limitaciones forman parte del método, no son una sorpresa de una reparación añadida después de ver qué casos fallaban. La expresión exacta y las cadenas completas extraídas se pueden descargar.

Con XHTML, lxml recorre los bloques del cuerpo y conserva el texto en línea y sus colas. Con EPUB, el programa sigue el orden de lectura del paquete y aplica después la misma extracción de bloques. Las celdas de las tablas reciben espacios explícitos y las filas siguen siendo bloques separados. Es un procedimiento de extracción escrito para el estudio con una biblioteca XML, no una afirmación de que lxml sea un lector EPUB completo. La conformidad con EPUB y la validación de accesibilidad son cuestiones aparte y aquí no se midieron.

Recuperar una palabra puede dañar otra

Los seis PDF de control coincidieron con sus referencias tras la reducción de espacios declarada, en todos los perfiles de extracción de PDF. Los dos controles de la fuente también coincidieron en los seis idiomas: seis ejemplos XHTML y seis EPUB. Estos controles correctos importan porque muestran que la puntuación, los acentos, la ligadura, la nota y la pequeña tabla probados pueden sobrevivir a estas fuentes y estos caminos de extracción concretos cuando no hay saltos de línea de diagnóstico.

Con solo el guion de presentación, la extracción predeterminada de PyMuPDF, la extracción simple de pypdf y la extracción con disposición de pypdf no recuperaron ninguna de las seis palabras objetivo intactas como subcadena exacta. La eliminación de guiones de PyMuPDF y la reparación declarada de pypdf recuperaron las seis. En esa condición, esos perfiles de reparación también restauraron el texto canónico completo, con los espacios reducidos. Es el lado favorable de la intervención y no debe omitirse solo porque la condición del compuesto cree un problema.

Con los dos saltos de diagnóstico presentes, las salidas reparadas volvieron a recuperar la palabra larga en seis de seis textos de prueba. También cambiaron well-being por wellbeing, guarda-chuva por guardachuva y los compuestos correspondientes de los otros cuatro idiomas por cadenas sin guion. Es una diferencia medible respecto de la referencia elegida. No exige afirmar que cada grafía resultante sea imposible ni que cualquier texto real se entendería mal. Para la fidelidad de una cita, cambiar la puntuación exacta de la autora o del autor ya es el fallo relevante.

Por qué un agregado excelente puede ocultar una cita fallida

Los PDF con ambos saltos contienen entre 726 y 841 puntos de código de referencia tras la reducción de espacios. Las extracciones predeterminadas difieren en tres operaciones de edición; las reparadas, en una. Si se expresa uno menos la distancia de edición normalizada como concordancia de caracteres, resulta aproximadamente del 99,86 % al 99,88 % en las salidas reparadas. Es una descripción de esta comparación exacta, no una exactitud humana, ni legibilidad, ni una estimación para una colección de libros electrónicos.

Al mismo tiempo, ninguna de las seis salidas reparadas con ambos saltos es igual a su referencia canónica completa. Once de los doce bloques de referencia se recuperan como subcadenas exactas; el párrafo del compuesto no. Un valor alto de concordancia de todo el documento y un pasaje fallido pueden convivir. La métrica responde cuánto difieren las cadenas en conjunto. No puede decidir si el carácter cambiado pertenece a un título, a un nombre, a una instrucción o a un signo de puntuación que una cita debe conservar.

Los autores no tienen que rechazar la comparación agregada. Deben completarla con comprobaciones ligadas al uso real de la publicación. Un informe de diferencias de todo el manuscrito puede localizar cambios inesperados. Unos pocos pasajes de control opuestos pueden dejar al descubierto una reparación que funciona en un contexto y falla en otro. Ninguno sustituye a la revisión editorial, pero ambos informan más que tratar un promedio casi perfecto como prueba de que cada pasaje está listo para copiarse.

La búsqueda es otra condición de éxito

La búsqueda nativa predeterminada de PyMuPDF encontró la consulta de la palabra larga sin partir en los seis PDF con el guion de presentación. Su texto extraído predeterminado no contenía esa subcadena sin partir en ninguno. La documentación oficial explica por qué estas operaciones no tienen que coincidir: la búsqueda y la extracción de texto simple tienen indicadores predeterminados distintos, entre ellos la eliminación de guiones. Un resultado de búsqueda positivo es, por tanto, compatible con un texto extraído predeterminado que conserva un guion de presentación y un salto de línea.

El diagnóstico contrario también importa. La búsqueda nativa no encontró la consulta exacta canónica del compuesto en ninguno de los seis PDF con ambos saltos. El estudio registra la presencia de la consulta, en lugar de intentar interpretar rectángulos resaltados como una prueba de lectura humana. No prueba el visor de PDF de un navegador, ni Acrobat, ni Kindle, ni Kobo, ni el portapapeles de un sistema operativo. Su comportamiento puede diferir y necesita su propia observación antes de que una autora o un autor afirme algo sobre esos programas.

Para una publicación, conviene mantener la comprobación de la búsqueda y añadir una de extracción. Hay que registrar la aplicación o biblioteca, la versión, la consulta y los ajustes de exportación. Si un lector informa de que la búsqueda funciona pero una cita copiada cambia, esos registros ayudan a identificar qué operación produjo la diferencia. También evitan que se atribuya a un formato en general una corrección que en realidad pertenece a un ajuste o a una regla de posprocesamiento concretos.

Normalizar de forma abierta y conservar el original

El experimento informa por separado de las comparaciones con Unicode sin normalizar, NFC y NFKC. «Sin normalizar» no significa igualdad byte a byte del archivo: significa que los espacios Unicode se reducen mientras los demás puntos de código de origen se mantienen. NFC normaliza después la referencia y la salida con la equivalencia canónica. NFKC aplica además la normalización de compatibilidad. La versión de la base de datos Unicode de Python se conserva con el entorno para que la implementación real sea identificable.

La tarjeta de prueba muestra la distinción. Su primer café usa un acento combinante y el segundo, un carácter precompuesto. La consulta escrita del par con acento compuesto falla con la comparación sin normalizar y funciona con NFC. El par de «office» expandido y el par de dígitos ordinarios necesitan NFKC en este texto de prueba, porque la fuente incluye a propósito un carácter de ligadura y un dígito dentro de un círculo. Son equivalencias de búsqueda declaradas, no permiso para reescribir en silencio el manuscrito canónico ni todas las citas eruditas.

Ni NFC ni NFKC arreglan el problema del guion de diagnóstico. Un guion de presentación seguido de un límite de línea y un guion léxico legítimo reflejan intenciones distintas de quien escribe, pero la normalización por sí sola no reconstruye esas intenciones. Conviene conservar un original intacto y etiquetar cualquier copia normalizada de comparación. Así se puede explicar si una diferencia notificada viene de la extracción, de una regla de equivalencia elegida o de un cambio real en la fuente.

La revisión previa a la publicación y los límites del estudio

Antes de distribuir una muestra, conviene elegir pasajes del manuscrito final real: una frase corriente, un nombre con acento, una palabra larga que se parte al final de la línea, una expresión con guion genuina y cualquier tabla o nota que los lectores puedan citar. Se compara el pasaje exportado exacto con el manuscrito. Hay que probar la palabra que debe unirse y el guion que debe quedarse. Si una limpieza automática cambia ambos, conviene revisar esas diferencias en lugar de aplicar la regla a todo el libro sin una referencia.

Conviene conservar juntos el texto de origen y el archivo publicado. Al revisar la tipografía o los ajustes de conversión, se repiten las mismas comprobaciones y se guardan las versiones de las herramientas. Una fuente XHTML o EPUB limpia puede ofrecer una vía de referencia adicional, pero este experimento no demuestra que todos los lectores de libros electrónicos, programas de conversión o maquetaciones visuales conserven el mismo comportamiento al copiar. Sus doce controles de origen correctos describen solo los archivos y el extractor por bloques que se facilitan aquí.

Los registros descargables también hacen visible el denominador. Cinco perfiles de extracción de PDF sobre 24 archivos producen 120 salidas de texto. Dos perfiles de fuente estructurada en seis idiomas añaden doce más. Comparar cada una de esas 132 salidas con tres reglas de normalización genera 396 filas de métricas. Esas filas son vistas repetidas del mismo conjunto pequeño de archivos, no 396 pruebas independientes. De igual modo, cinco sondeos de subcadena por fila de métrica dan 1980 comprobaciones registradas sin aumentar el número de libros originales ni de idiomas. Las 48 consultas de búsqueda nativa forman una tabla aparte. Mantener separados estos recuentos evita que un diagnóstico compacto parezca mayor o más representativo solo porque sus resultados se registran con detalle.

Ya existen evaluaciones comparativas de extracción de PDF. DocLayNet ofrece un gran conjunto de datos anotados de maquetación, y las comparaciones publicadas evalúan varios analizadores en distintas categorías de documentos. La aportación de este estudio es menor y práctica: pasajes originales emparejados, objetivos de guion opuestos, reglas de Unicode declaradas y resultados en bruto que permiten a una autora o un autor reproducir una revisión previa a la publicación sin compartir un libro privado. No ofrece ninguna certificación de lectura humana, ni dictamen de accesibilidad, ni comparación de OCR, ni resultado causal de ventas, ni afirmación sobre el posicionamiento en búsquedas.

La búsqueda y la extracción dan respuestas distintas

PDF: ambos saltos · XHTML/EPUB: controles de origen sin partir

Gráfico completo y fuente
La búsqueda y la extracción dan respuestas distintas. Cada salida reparada pierde un guion real; coinciden 11 de 12 bloques.

Desplaza el gráfico horizontalmente para examinarlo. ↔

Gráfico y valores

Desplaza la tabla horizontalmente para ver todas las columnas.

La búsqueda y la extracción dan respuestas distintas
OperaciónPalabra largaCompuesto con guion real
Extracción predeterminada0 / 60 / 6
Búsqueda nativa del PDF6 / 60 / 6
Extracción con eliminación de guiones6 / 60 / 6
pypdf + reparación declarada6 / 60 / 6
Control de origen XHTML6 / 66 / 6
Control de origen EPUB6 / 66 / 6

PDF: ambos saltos · XHTML/EPUB: controles de origen sin partir

Textos de prueba originales · casos elegidos, no tasas de la población

Descargar gráfico (SVG) ↓ · Descargar gráfico (PNG) ↓

Una concordancia alta sigue pasando por alto un pasaje

PDF reparado con ambos saltos · espacios reducidos

Gráfico completo y fuente
Una concordancia alta sigue pasando por alto un pasaje. Cada salida reparada pierde un guion real; coinciden 11 de 12 bloques.

Desplaza el gráfico horizontalmente para examinarlo. ↔

Gráfico y valores

Desplaza la tabla horizontalmente para ver todas las columnas.

Una concordancia alta sigue pasando por alto un pasaje
IdiomaConcordancia de caracteresTexto completo exacto
EN99,8623 %0 / 1
PT99,8661 %0 / 1
ES99,8721 %0 / 1
FR99,8705 %0 / 1
IT99,8767 %0 / 1
DE99,8811 %0 / 1

Cada salida reparada pierde un guion real; coinciden 11 de 12 bloques.

Concordancia de caracteres = 1 − distancia de edición normalizada. No es exactitud humana.

Descargar gráfico (SVG) ↓ · Descargar gráfico (PNG) ↓

Datos y descargas

Desplaza la tabla horizontalmente para ver todas las columnas.

La búsqueda y la extracción dan respuestas distintas
OperaciónPalabra largaCompuesto con guion real
Extracción predeterminada0 / 60 / 6
Búsqueda nativa del PDF6 / 60 / 6
Extracción con eliminación de guiones6 / 60 / 6
pypdf + reparación declarada6 / 60 / 6
Control de origen XHTML6 / 66 / 6
Control de origen EPUB6 / 66 / 6

PDF: ambos saltos · XHTML/EPUB: controles de origen sin partir

Desplaza la tabla horizontalmente para ver todas las columnas.

Una concordancia alta sigue pasando por alto un pasaje
IdiomaConcordancia de caracteresTexto completo exacto
EN99,8623 %0 / 1
PT99,8661 %0 / 1
ES99,8721 %0 / 1
FR99,8705 %0 / 1
IT99,8767 %0 / 1
DE99,8811 %0 / 1

Cada salida reparada pierde un guion real; coinciden 11 de 12 bloques.

Evidencia y método

Cómo lo calculamos

  1. Los textos de prueba sintéticos elegidos no representan libros, lectores ni prevalencias por idioma. Se probaron dos motores de PDF y un único procedimiento compartido de extracción de fuentes estructuradas.
  2. Se declara una corrección del piloto (fuente y consulta de acentos). Los saltos de línea desplazan verticalmente las líneas siguientes. Las 396 filas repiten 132 salidas con tres normalizaciones.

Lo que los datos no permiten concluir

  • Los textos de prueba sintéticos elegidos no representan libros, lectores ni prevalencias por idioma. Se probaron dos motores de PDF y un único procedimiento compartido de extracción de fuentes estructuradas.
  • La presencia en la búsqueda, la igualdad normalizada de cadenas, la legibilidad humana y la accesibilidad son resultados distintos. No se probó ningún portapapeles de lector comercial, ni OCR, ni conformidad con EPUB, ni indexación, ni posicionamiento, ni ventas.
  • Se declara una corrección del piloto (fuente y consulta de acentos). Los saltos de línea desplazan verticalmente las líneas siguientes. Las 396 filas repiten 132 salidas con tres normalizaciones.

Fuentes originales

  1. DocLayNet document-layout dataset

    Conjunto grande y consolidado de datos de maquetación; contexto, no entrada de este experimento con textos originales.

    Consultado 31 de octubre de 2026

  2. Adhikari and Agarwal (2024), A Comparative Study of PDF Parsing Tools Across Diverse Document Categories, arXiv:2410.09871

    Comparación previa de diez herramientas de PDF en seis categorías de documentos; no se afirma que la evaluación comparativa de analizadores sea nueva.

    Consultado 31 de octubre de 2026

  3. Meuschke et al. (2023), A Benchmark of PDF Information Extraction Tools using a Multi-Task and Multi-Domain Evaluation Framework for Academic Documents, arXiv:2303.09957

    Evaluación comparativa previa de extracción multitarea en documentos académicos.

    Consultado 31 de octubre de 2026

  4. PyMuPDF documentation: Constants and Enumerations (vars.html)

    Definiciones oficiales de los indicadores de eliminación de guiones y de conservación de ligaduras.

    Consultado 31 de octubre de 2026

  5. PyMuPDF documentation: Appendix 1, Details on Text Extraction (app1.html)

    Explicación oficial del orden de extracción y de los distintos ajustes predeterminados de búsqueda.

    Consultado 31 de octubre de 2026

  6. pypdf documentation: Extract Text from a PDF

    Métodos oficiales de extracción simple y con disposición, y sus ambigüedades.

    Consultado 31 de octubre de 2026

  7. lxml documentation: The lxml.etree Tutorial

    Recorrido oficial de XML y tratamiento del texto de cola, usados en los controles de origen.

    Consultado 31 de octubre de 2026

  8. Unicode Standard Annex #15: Unicode Normalization Forms

    La normalización canónica y la de compatibilidad son distintas; se conserva el texto de origen.

    Consultado 31 de octubre de 2026

  9. PyMuPDF 2.0 release on PyPI

    Versión oficial fijada y metadatos de licencia; se conserva la versión instalada exacta.

    Consultado 31 de octubre de 2026

  10. pypdf 6.21.4 release on PyPI

    Versión oficial fijada y metadatos de licencia; se conserva la versión instalada exacta.

    Consultado 31 de octubre de 2026

  11. lxml 6.1.3 release on PyPI

    Versión oficial fijada y metadatos de licencia; se conserva la versión instalada exacta.

    Consultado 31 de octubre de 2026

  12. ReportLab 5.1.0 release on PyPI

    Versión oficial fijada y metadatos de licencia; se conserva la versión instalada exacta.

    Consultado 31 de octubre de 2026

Cómo citar y reutilizar

Alisson Bento. 2026. Cuando la búsqueda en un libro electrónico funciona pero el texto extraído cambia: un experimento en seis idiomas. https://alissonbento.com/es/research/ebook-search-copy-text-preservation-six-languages/

Los textos de prueba originales, los resultados numéricos y las figuras son de Alisson Bento; las herramientas y las fuentes tipográficas de terceros conservan sus propias licencias.

Correcciones o consultas editoriales

Compártelo.

Cuando la búsqueda en un libro electrónico funciona pero el texto extraído cambia: un experimento en seis idiomas | Alisson Bentoalissonbento.com

WhatsAppFacebookXTelegramRedditThreadsCorreoSMS