Convertir PDF a BIBTEX

Los investigadores reciben artículos como PDFs, pero necesitan registros .bib para citarlos en LaTeX, Overleaf o una base de datos de referencias compartida. El resultado útil son los metadatos bibliográficos: autores, título, datos de publicación y DOI; no una conversión del diseño de las páginas del PDF.

Archivos PDF y BibTeX

PDF (Portable Document Format) es un formato de documentos de diseño fijo creado por Adobe y estandarizado como ISO 32000. Editoriales, universidades, empresas, escáneres, aplicaciones de oficina y navegadores web utilizan PDF porque conserva la apariencia visual, las fuentes, las imágenes y la paginación de un documento en distintos sistemas.

Un PDF académico puede contener metadatos proporcionados por la editorial, texto seleccionable, un DOI e información de citas incrustada. Un PDF escaneado puede contener únicamente imágenes de las páginas, por lo que el software debe aplicar primero OCR y después inferir los metadatos a partir del texto reconocido.

BibTeX es un formato de base de datos bibliográfica de texto plano utilizado por los flujos de trabajo de BibTeX y BibLaTeX en LaTeX. Almacena entradas como @article, @book y @inproceedings, con campos que incluyen author, title, journal, year, volume, pages, doi y url.

La extensión convencional es .bib; aunque algunos programas aceptan .bibtex, utiliza .bib para obtener la máxima compatibilidad. Los archivos BibTeX pueden editarse en un editor de texto, controlarse con Git, combinarse con otras bibliotecas y citarse mediante claves estables como smith2024.

Extraer un registro con Zotero

Zotero es la opción de escritorio más práctica para PDFs académicos individuales. Identifica artículos a partir de un DOI, metadatos incrustados, datos de la editorial o coincidencias de títulos, y después exporta el registro resultante de la biblioteca como BibTeX.

1. Arrastra paper.pdf a la biblioteca de Zotero.
2. Haz clic derecho en el PDF y selecciona Retrieve Metadata for PDF. Zotero crea un elemento bibliográfico principal si identifica una coincidencia.
3. Compara el elemento creado con la primera página del PDF y con la página de destino de la editorial o del DOI.
4. Haz clic derecho en el elemento principal y selecciona Export Item…; después, elige BibTeX y guarda el resultado como, por ejemplo, references.bib. Para exportar varios registros, colócalos en una colección y utiliza File → Export Library… o exporta la colección.

Para obtener claves de citas automáticas y una salida BibTeX o BibLaTeX más configurable, instala la extensión Better BibTeX de Zotero. Comprueba la clave generada antes de utilizarla en un manuscrito, especialmente cuando los nombres de los autores o los años de publicación estén incompletos.

cb2Bib es una alternativa de escritorio útil para extraer datos de citas del texto de un PDF o de texto copiado. Es más eficaz cuando el PDF contiene texto seleccionable y un título, una línea de autor, un DOI o una referencia de revista claros; revisa la entrada propuesta antes de guardarla en una base de datos .bib.

JabRef puede buscar metadatos a partir de un DOI, ISBN, título o PDF importado, y después guardar la biblioteca directamente como una base de datos BibTeX. Su búsqueda de metadatos es preferible a transcribir manualmente una cita, pero la entrada resultante aún requiere verificación.

Usar DOI y servicios de metadatos en línea

Si el PDF muestra un DOI, utiliza ese DOI en lugar de cargar el documento en un convertidor desconocido. Busca el DOI o el título exacto en search.crossref.org, verifica los autores, la publicación y el año, y después copia o descarga la cita BibTeX. Los metadatos de Crossref son proporcionados por editoriales y agencias de registro, pero los registros aún pueden estar incompletos o corregirse después de la publicación.

Muchos registros de DOI admiten negociación de contenido BibTeX. Este comando solicita directamente un registro BibTeX al resolvedor de DOI:

curl -L -H "Accept: application/x-bibtex" https://doi.org/10.1234/example > reference.bib

Reemplaza el DOI de ejemplo por el DOI del artículo. Inspecciona el archivo generado porque la clave de la cita, las mayúsculas del título, el intervalo de páginas y el tipo de entrada pueden requerir ajustes.

Google Scholar puede proporcionar un registro alternativo: busca el artículo exacto, selecciona el control de comillas Cite y elige BibTeX. Scholar es útil para artículos sin DOI, pero sus metadatos se agregan a partir de varias fuentes y no deben considerarse una fuente autorizada. No cargues PDFs inéditos, confidenciales o protegidos por derechos de autor en un convertidor web a menos que sus condiciones de privacidad permitan ese uso.

Procesar escaneos y lotes

Ejecuta OCR antes de importar un escaneo compuesto únicamente por imágenes. Adobe Acrobat proporciona All tools → Scan & OCR → Recognize text; la opción local de código abierto es:

ocrmypdf scan.pdf searchable.pdf

Importa searchable.pdf en Zotero, cb2Bib o JabRef después de aplicar OCR. OCR puede interpretar incorrectamente iniciales, guiones, nombres con acentos y DOI, por lo que debes buscar el DOI o el título recuperado en los metadatos de la editorial en lugar de confiar únicamente en el texto de OCR.

Para grandes lotes de PDFs académicos, GROBID extrae metadatos estructurados de encabezados y referencias a TEI XML. Después de iniciar su servicio local, procesa un archivo con:

curl -F input=@paper.pdf http://localhost:8070/api/processHeaderDocument > paper.tei.xml

GROBID no crea directamente una base de datos BibTeX terminada desde ese endpoint; se necesita un script de TEI a BibTeX o un flujo de metadatos. Úsalo cuando la extracción por lotes justifique el esfuerzo de configuración y validación.

Validar la entrada exportada

Un PDF no contiene inherentemente una entrada BibTeX. Las herramientas de identificación combinan metadatos incrustados, texto extraído, búsqueda de DOI y coincidencias de títulos, por lo que un registro que parece correcto puede describir una obra equivocada o contener campos incorrectos.

Comprueba el tipo de entrada; la ortografía y el orden de los autores; el título; el título de la revista, el libro o la conferencia; el año; el volumen; el número; las páginas o el número de artículo; el DOI; y la URL. Utiliza la página de destino del DOI o la página de la editorial como comprobación principal. Protege los acrónimos y las mayúsculas necesarias en los campos de título de BibTeX con llaves cuando el estilo bibliográfico seleccionado pueda convertirlos a minúsculas, por ejemplo title = {Methods for {PDF} and {LaTeX} Archives}.

BibTeX almacena metadatos de citas, no el PDF en sí. Conserva el PDF como un archivo adjunto de Zotero o en una carpeta del proyecto, y mantén un DOI o una URL estable de la editorial en el registro .bib.