Un total correcto puede ocultar texto incorrecto
Alternar una línea izquierda y otra derecha puede conservar casi todas las palabras y destruir la continuidad. Frases, párrafos y legibilidad dejan de representar el original.
Busca cambios repentinos de tema o continuaciones inexplicables y compáralos con los bloques del PDF. No reescribas para que «suene bien»: restablece la secuencia del autor, sin inventar vínculos entre columnas.
Dibuja el recorrido de la página
Identifica título, cuerpo, recuadros, notas, pies y tablas. Un recuadro no continúa necesariamente la frase más próxima; una revista y una ficha técnica pueden seguir recorridos distintos.
Define primero el alcance. Una referencia a otro artículo puede quedar fuera del cuerpo solicitado y entrar en una traducción de página completa. La posición no decide el encargo ni permite al contador deducirlo.
Copia bloques y comprueba las uniones
Selecciona un bloque legible, pégalo en una copia de trabajo y revisa primera y última frase. Añade los siguientes con separación clara. Si falla la selección, busca otra extracción o exportación y compruébala.
Localiza una transición breve en ambas versiones para detectar líneas omitidas. Evita solapamientos al sumar por partes. El contador mide todo el editor: pega solo el contenido solicitado y guárdalo antes de sustituirlo.
Conserva las relaciones de las tablas
Una tabla une etiquetas y valores. La extracción puede separar cantidades y productos; esos fragmentos quizá indiquen volumen aproximado, pero ya no transmiten el significado con seguridad.
Conserva o reconstruye la tabla y declara qué haces con encabezados repetidos y números. Una línea extraída no equivale a un registro si las celdas ocupan varias líneas. Consulta campos y registros CSV antes de convertirla en texto seguido.
Revisa las repeticiones de maquetación
Autores, títulos de sección, sitios y números de página pueden repetirse. Quitarlos ayuda a analizar frases, pero puede incumplir una traducción de página completa.
No elimines todas las líneas idénticas: un título puede aparecer legítimamente en índice y cuerpo, y una cita repetirse. Usa eliminar duplicados en una lista administrativa aislada, no en un manuscrito sin revisar.
Separa orden, uniones y guiones
Tras ordenar los bloques, une finales de línea impresos dentro del párrafo con espacios y conserva la separación entre párrafos. Revisa cómo unir líneas antes de un reemplazo global.
Los fragmentos italianos co- y municazione requieren reparar una palabra, no insertar un espacio. Conserva guiones reales de nombres compuestos e intervalos. Cambia una cosa cada vez y repara después de ordenar para no unir columnas ajenas.
Comprueba antes de analizar
Compara los extremos de cada columna, las tablas y las transiciones entre páginas. El material crítico requiere revisión completa, no una certificación basada en muestras.
Después interpreta frases y párrafos. Gulpease se refiere a italiano y un orden erróneo altera sus longitudes de frase. Guarda alcance bruto y reconstruido cuando resulte útil. Las páginas escaneadas pueden necesitar además diagnóstico OCR.
El orden importa aunque las frecuencias coincidan
El literal italiano «Il gatto dorme. Il cane corre.» contiene seis palabras. Intercambiar cane y gatto conserva total y frecuencias, pero cambia el significado.
Mover un valor de tabla a otro producto también puede conservar la longitud. Los resúmenes numéricos complementan la comparación de bloques. En diseños repetidos, registra el recorrido y revisa cambios como dos columnas que pasan a una tabla de ancho completo.
Cuatro comprobaciones
| Etapa | Pregunta | Señal de problema |
|---|---|---|
| Alcance | ¿Qué bloques hacen falta? | Recuadro incluido sin criterio |
| Orden | ¿La frase continúa aquí? | Columnas alternadas |
| Separadores | ¿Salto lógico o impreso? | Salto al final de cada línea impresa |
| Revisión | ¿Extremos completos? | Líneas omitidas o duplicadas |
Fuentes y comprobaciones
- PDF.js: PDFPageProxy and getTextContent · Extracting existing page text; text extraction is distinct from OCR
- MDN: white-space · CSS whitespace and line-break rendering