Extraer datos de un PDF a Excel o al ERP: métodos y errores

Para extraer datos de un PDF a Excel, primero comprueba si el PDF tiene texto: si es digital, Excel lo importa con Power Query y detecta sus tablas; si es escaneado, es una imagen y necesita OCR antes. Para llevar esos datos a un ERP de forma recurrente, se normalizan y validan antes de escribir, y se cargan por la vía de importación del ERP, no copiando y pegando.

PDF digital o escaneado#

Abre el PDF y busca una palabra con Ctrl+F. Si la encuentra, el PDF es digital y el texto ya está dentro. Si no, es un escaneo o una foto: hay que aplicar OCR, que funciona mejor con imágenes de al menos 300 ppp y empeora con páginas inclinadas (Tesseract (se abre en una pestaña nueva)).

Qué método usar#

Del PDF a Excel con Power Query#

En Excel: Datos > Obtener datos > Desde archivo > Desde PDF. El navegador muestra las tablas detectadas y permite cargarlas o transformarlas antes (Microsoft (se abre en una pestaña nueva)).

La documentación del conector reconoce que las filas de varias líneas pueden no identificarse bien y propone rellenar hacia abajo o agrupar filas para corregirlas; para varios PDF a la vez, indica usar el conector de carpeta (Microsoft Learn (se abre en una pestaña nueva)). Con PDF grandes, limitar las páginas mejora el rendimiento. La consulta guarda los pasos de transformación: cuando llega un PDF nuevo con el mismo formato, basta con actualizarla.

Del PDF al ERP#

Copiar y pegar en el ERP sirve para una factura, no para cien. Un flujo recurrente tiene cinco pasos:

1. Mapear cada campo del documento con su campo del ERP: proveedor, fecha, base, cuota, líneas.
2. Normalizar formatos: «12.450,00» y «12,450.00» son el mismo número; «03/04» puede ser marzo o abril según el país.
3. Validar antes de escribir: que las líneas sumen el total, que el proveedor exista en el maestro, que la factura no esté ya cargada.
4. Importar por la API o el importador del ERP, con registro de lo que entró. Si el ERP importa CSV con una plantilla fija, el paso 2 genera ese fichero.
5. Guardar el enlace entre cada registro y su PDF, para revisar y para auditoría.

Las facturas de proveedores españoles llegarán en XML estructurado con el Real Decreto 238/2026 (BOE-A-2026-7295 (se abre en una pestaña nueva)). Esas se leen sin extracción. Albaranes, BL, certificados y facturas extranjeras seguirán en PDF.

Errores que más se repiten#

• Separador decimal cambiado: 12,450 kg leídos como doce kilos.
• Fechas invertidas: día y mes intercambiados en documentos de EE. UU.
• Filas partidas: una descripción en dos líneas genera dos registros.
• Totales como líneas: la fila «TOTAL» se suma a sí misma.
• Cabeceras repetidas en cada página de un packing list largo.
• Unidades mezcladas: kilos, libras y cajas en la misma columna.
• Ceros a la izquierda perdidos: Excel convierte en número un código de artículo como 00457 y lo deja en 457.

Todos se detectan con reglas: sumas, rangos, formatos y cruces con otro documento. Cómo elegir entre OCR, IDP o un modelo de lenguaje para la lectura está en OCR, IDP o LLM.

Qué hacer ahora#

• Separa tus PDF en digitales y escaneados con la prueba de Ctrl+F.
• Para los digitales de formato estable, prueba Power Query con el conector de carpeta.
• Si son muchos formatos o van al ERP con coste de error, mira automatización documental.