Necesitas extraer datos de un PDF de 200 páginas porque quieres alimentar un pipeline de RAG, rellenar una base de datos con contratos o informes financieros, o hacer preguntas que cruzan cientos de páginas.
Si has intentado pasar el archivo entero a un LLM, te entendemos: el resultado no fue bueno. Faltaban filas, un total no cuadraba, la respuesta sonaba segura y era incorrecta. No es culpa de tu prompt. Estos modelos están hechos para predecir el siguiente fragmento de texto dentro de una ventana limitada, no para leer un documento largo y estructurado página a página y devolverlo completo. Última evaluación: octubre de 2026.
La respuesta corta a cómo hacerlo bien: leer el documento página a página, unir las piezas que van juntas (sobre todo las tablas que ocupan varias páginas), extraer los campos del resultado unido según un esquema y comprobar que la salida está completa. El resto de esta guía explica por qué los atajos fallan y qué funciona.
Si lo metes todo en un LLM, te entendemos: el resultado no fue bueno
Es lo primero que casi todo el mundo prueba, y falla por cuatro motivos que no tienen que ver con lo bien que escribas el prompt:
- La respuesta no cabe en la respuesta. Los modelos aceptan mucha más entrada de la que pueden escribir de vuelta en una sola respuesta, así que una tabla larga no se puede devolver en una única llamada, por grande que sea la ventana de entrada.
- El medio del documento se lee peor. La investigación sobre contextos largos (Liu et al., 2023) muestra que la precisión baja con la información situada en el medio de una entrada larga, en comparación con el principio y el final. La tabla que empieza en la página 87 está justo en esa zona. Fuente
- El coste y la latencia crecen con el número de páginas, y un intento fallido repite la factura entera.
- Nada te dice qué falta. El modelo responde con fluidez haya visto todas las filas o no.
La historia no acaba ahí para la mayoría de los equipos, porque la siguiente idea es la obvia.
Así que lo partes en trozos, y tampoco funcionó
Cortar el PDF en páginas o en trozos de tamaño fijo resuelve el problema de la ventana y crea otros nuevos. Una tabla que ocupa ocho páginas se convierte en ocho fragmentos sin relación. Las cabeceras de columna que se repiten en cada página se leen como datos. Un campo que aparece una sola vez en la página 1, como el proveedor o el número de contrato, es invisible para el trozo que lee la página 40. Enseguida el código que recompone los resultados es más grande que la propia extracción, y se rompe con cada formato nuevo.
Las variantes más cuidadosas (dividir por secciones o extraer cada fila de la tabla en paralelo) ayudan, pero todas dejan algo abierto: una tabla que cruza el límite entre secciones, o campos del documento que viven en otra llamada. Repasamos estas contrapartidas en nuestro ensayo sobre documentos largos.
Los enfoques, uno al lado de otro
| Enfoque | Mantiene entera una tabla de varias páginas | Campos del documento junto a las filas de la tabla | Avisa si faltan filas | Límite habitual |
|---|---|---|---|---|
| Documento entero en un solo prompt | Solo si cabe en la respuesta | Sí | No | Tope de salida, pérdida en el medio del contexto, coste |
| Trozos de tamaño fijo o por páginas | No | No | No | El código que recompone acaba siendo el producto |
| Dividir por secciones y extraer en paralelo | No si cruza el límite de una sección | Necesita una pasada aparte | No | Tablas que cruzan un límite |
| Una extracción por fila de tabla, en paralelo | Fila a fila | Llamada aparte | En parte | El contexto del documento vive en otra llamada |
| IDP agéntico (OCR + parseo por página, extracción entre páginas) | Sí, si se detecta la continuidad de la tabla | Sí, con el mismo esquema | Sí, si añades comprobaciones | Necesita un parser que conserve el diseño y la estructura |
La última fila es el patrón que aguanta, y es lo que hace un IDP agéntico. Para ver herramientas que implementan estos patrones, mira las mejores API de parsing de documentos.
La solución: un IDP agéntico con OCR
El patrón que aguanta es el de una plataforma de procesamiento inteligente de documentos (IDP): primero OCR y análisis de diseño, y después un agente que razona sobre el documento completo. anyformat funciona así, en dos capas:
- Parsear cada página por separado, en paralelo. El OCR y el análisis de diseño dividen cada página en bloques (texto, tablas, figuras, cabeceras, pies de página) y fijan el orden de lectura. Cada página es independiente, así que 300 páginas son 300 trabajos pequeños y no uno enorme. Los escaneos pasan antes por OCR.
- Extraer sobre el conjunto de bloques parseados. Un extractor agéntico mira los bloques de todas las páginas, reconoce qué fragmentos de tabla pertenecen a la misma tabla y los une en orden, y lee los campos del documento allí donde estén.
Describes el resultado una sola vez, como un esquema con dos tipos de campos: valores que aparecen una vez por documento (proveedor, referencia del contrato, fecha de presentación, total) y un campo de tabla con sus columnas. Una sola ejecución devuelve ambos a la vez, así que no necesitas una segunda pasada ni un cruce posterior. En anyformat esto es un nodo Parse seguido de un nodo Extract, y el nodo Extract tiene un modo Agentic pensado para tablas densas y valores que se extienden por varias páginas.
El campo de tabla es un campo object con columnas anidadas:
{
"name": "line_items",
"description": "One row per line of the table, across all pages",
"data_type": "object",
"nested_fields": [
{ "name": "description", "data_type": "string", "description": "Item description" },
{ "name": "quantity", "data_type": "integer", "description": "Quantity ordered" },
{ "name": "unit_price", "data_type": "float", "description": "Price per unit" },
{ "name": "line_total", "data_type": "float", "description": "Row total amount" }
]
}El resultado es una lista con una entrada por fila, y cada valor lleva su puntuación de confianza y el texto y la página de los que se leyó. Para el flujo completo con código, mira cómo extraer datos estructurados de un PDF con un LLM.
Pruébalo con tu propio documento largo: el plan Free incluye 50.000 créditos sin tarjeta de crédito, suficientes para pasar un archivo largo por este flujo.
También sirve para RAG. Si el objetivo es la recuperación y no los campos, el mismo paso de parseo te da el documento como texto estructurado con las tablas enteras, listo para indexar. Mira PDF a markdown para LLMs.
Cómo comprobar que no falta nada al extraer datos de un PDF largo
Un documento largo hace fácil la pérdida silenciosa, así que incorpora la comprobación al flujo:
- Cuenta las filas. Si el documento dice "42 artículos", la extracción debería tener 42 filas. Un número distinto marca el documento.
- Haz que los totales cuadren. La suma de los totales de línea debe coincidir con el subtotal impreso, y subtotal más impuestos debe coincidir con el total general. Un paso de validación puede ejecutar estas reglas en cada documento.
- Mira la confianza de las filas que importan. Fija un umbral y deriva lo que quede por debajo a una persona que vea la página de origen junto al valor.
- Revisa las costuras. Abre a mano los saltos de página de un documento de prueba: la última fila de una página y la primera de la siguiente son donde una tabla tiene más probabilidades de cortarse o duplicarse.
La evidencia de cada valor es lo que hace rápida la revisión manual: quien revisa hace clic en un valor y llega a la página de la que salió. Mira por qué el grounding hace auditable la extracción.
Cuánto cuesta con anyformat
Los precios de anyformat se basan en créditos, por página y por operador. A tarifa pública, Parse Standard son 25 créditos y Extract Standard 35 créditos por página, es decir, 60 créditos por página; Agentic son 100 y 150 créditos, es decir, 250 créditos por página. Un crédito cuesta 0,001 € en Business y 0,0015 € en Free y pago por uso. Para un documento de 100 páginas son:
| Documento de 100 páginas | Créditos | Business (0,001 € por crédito) | Free / pago por uso (0,0015 €) |
|---|---|---|---|
| Parse Standard + Extract Standard | 6.000 | 6,00 € | 9,00 € |
| Parse Agentic + Extract Agentic | 25.000 | 25,00 € | 37,50 € |
Las reglas de validación se facturan aparte, por regla y una vez por extracción en lugar de por página; consulta la página de créditos para ver la tarifa vigente. Empieza con Standard y pasa a Agentic solo en los documentos en los que Standard se equivoque con una tabla.
Límites, dichos claramente
- Los escaneos y las fotos reducen la precisión de todos los métodos. Usa un umbral de confianza y un paso de revisión para ellos.
- El modo Agentic todavía no admite documentos de varios archivos (varios archivos tratados como un único documento). Combina los archivos antes de subirlos o procésalos por separado.
- Las tablas muy irregulares (celdas combinadas, tablas que cambian de columnas a mitad) necesitan una prueba con tus propios archivos antes de fiarte de ellas.
- La precisión depende de tus documentos. Antes de fiarte de la cifra destacada de cualquier proveedor, incluida la nuestra, prueba con cincuenta documentos tuyos, cuenta las filas frente al original y mide la precisión por campo.
Cómo elegir
Si tus documentos son cortos y limpios, basta con un solo prompt. Si son largos, hazle tres preguntas a cada herramienta: ¿una tabla que ocupa varias páginas vuelve como una sola tabla?, ¿los campos del documento vuelven en el mismo resultado? y ¿qué me avisa de que falta una fila? Una herramienta que no sepa responder a la tercera te fallará en silencio. Para comparar proveedores, mira nuestras comparativas y, para uno concreto, anyformat vs Docsumo.
Preguntas frecuentes
¿Puede un LLM extraer datos de un PDF de 200 páginas?
Sí, pero no de forma fiable con un solo prompt. La respuesta no puede contener una tabla larga, la precisión baja en el medio de las entradas largas y nada avisa de lo que se ha pasado por alto. Parsea las páginas por separado y extrae sobre todas ellas según un esquema.
¿Por qué el resultado de mi PDF largo no fue bueno?
Estos modelos están hechos para predecir texto dentro de una ventana limitada, no para reproducir un documento largo y estructurado. Además, no dan ninguna señal de lo que se les escapó, así que una respuesta incorrecta se ve igual que una correcta.
¿Cómo extraigo una tabla que ocupa muchas páginas?
Detecta qué fragmentos de tabla de cada página van juntos, únelos en orden e ignora las cabeceras de columna repetidas. Después compara el número de filas y los totales con el documento.
¿Cómo obtengo el nombre del proveedor y las líneas en un solo resultado?
Declara ambos en un único esquema: campos simples para los valores del documento y un campo object con columnas anidadas para la tabla. Una sola ejecución los devuelve juntos.
¿Cómo sé que no se ha perdido ninguna fila?
Cuenta las filas frente al documento, haz que los totales cuadren y revisa los valores de baja confianza con su página de origen abierta.
¿Sirve para RAG?
Sí: el paso de parseo devuelve el documento como texto estructurado con las tablas enteras, listo para indexar.
¿Cuánto cuesta por página?
A tarifas Standard, 60 créditos por página (0,06 € en Business); a tarifas Agentic, 250 créditos por página (0,25 € en Business).
Empieza con tus documentos más largos. Sube el archivo que rompe tu pipeline actual, define los campos que necesitas y mira los valores con su confianza y su evidencia en la página. El plan Free incluye 50.000 créditos sin tarjeta de crédito.
Divulgación: anyformat vende extracción de documentos; los criterios de comparación y las fechas se indican.
