En proyectos de traducción documental, localización, maquetación editorial o tratamiento de datos para modelos de lenguaje (RAG), es posible que reciba con frecuencia archivos con la extensión .idml.
Si no tiene instalado Adobe InDesign, o no está habituado a trabajar con software de maquetación, una petición como «extrae el texto de este archivo» o «traduce este documento» puede resultar complicada.
En este artículo explicamos qué es IDML y cómo extraer automáticamente el texto de un archivo IDML como texto sin formato o Markdown estructurado, sin instalar ningún programa de maquetación.
¿Qué es un archivo IDML y en qué se diferencia de INDD?
INDD (.indd) es el formato de archivo de trabajo predeterminado de InDesign. Es un archivo binario que recoge todos los detalles de un catálogo, una revista o un proyecto de maquetación. Su principal inconveniente es la dependencia de versión: un archivo INDD guardado con InDesign 2024 puede no abrirse con InDesign 2023.
Para resolver problemas de compatibilidad y facilitar el procesamiento por software de terceros, Adobe creó IDML (InDesign Markup Language). IDML es, en esencia, un archivo ZIP empaquetado que contiene numerosos archivos XML. Estos XML describen mediante etiquetas estructuradas las páginas, los colores, las fuentes y el contenido textual del documento.
Precisamente por basarse en una estructura XML abierta, las herramientas TAO —como Trados y Phrase— y muchos procesos automatizados pueden leer y modificar archivos IDML sin iniciar InDesign.
¿Por qué es difícil extraer texto de IDML?
Aunque IDML se basa en XML, si cambia la extensión por .zip y descomprime el archivo, comprobará que su estructura es bastante compleja.
- Contenido fragmentado: el texto no se guarda de forma continua en un único lugar, sino que está repartido entre varios archivos XML y debe reorganizarse para recuperar un texto seguido.
- Etiquetas de estilo anidadas: una frase sencilla puede incluir numerosos estilos de carácter, estilos de párrafo, ajustes de espaciado y otros elementos de formato mezclados con el contenido real.
- Reconstrucción del orden de lectura: el orden de almacenamiento en XML no siempre coincide con la forma en que una persona lee la página, de arriba abajo y de izquierda a derecha. Es necesario interpretar la maquetación para recuperar el orden correcto.
Si intenta analizar directamente estos XML con un script, es habitual obtener contenido desordenado o texto mezclado con muchas etiquetas de formato.
Cómo extraer contenido de IDML / INDD con un clic y sin instalar software
El espacio de trabajo documental en la nube de SimplifyAI está diseñado para procesar este tipo de archivos de maquetación complejos. Además de IDML, también admite archivos INDD originales directamente.
No necesita instalar software de Adobe ni escribir scripts complejos en Python:
- Suba el archivo: inicie sesión en SimplifyAI y arrastre su archivo
.idmlo.indd. - Elija el resultado de extracción: en el flujo de procesamiento, seleccione «Extraer y descargar Markdown».
- Obtenga texto limpio: el sistema procesa la estructura de maquetación en la nube y organiza los textos dispersos en un orden más cercano a la lectura humana.
Además, SimplifyAI intenta identificar y conservar la jerarquía estructural del documento. Los títulos principales se convierten en Markdown como # Título, y las listas pasan a formatos como - Elemento de lista.
Usar el texto extraído en RAG o en una base de conocimiento de IA
Con la adopción de los modelos de lenguaje de gran tamaño (LLM), muchas empresas quieren incorporar a sus bases de conocimiento RAG (Retrieval-Augmented Generation) catálogos de producto y libros blancos de alta calidad acumulados durante años, a menudo maquetados en InDesign.
La extracción convencional desde PDF puede alterar el orden de documentos a varias columnas o mezclar encabezados y pies de página con el cuerpo principal. El Markdown extraído directamente desde los archivos fuente IDML o INDD con SimplifyAI suele conservar mejor el orden de maquetación y la jerarquía estructural que una extracción convencional de PDF, por lo que resulta más adecuado para flujos de procesamiento con modelos de lenguaje y bases de datos vectoriales.
Si necesita procesar archivos de trabajo de InDesign, puede probar el servicio de procesamiento documental de SimplifyAI.