Resumen

Partido	Fuente	Resultado1	Páginas2	Capítulos	Párrafos
Actua	PDF	HTML + EPUB + MD	23	11	365
Ciudadanos	HTML	HTML + EPUB + MD	21	14	268
PACMA	HTML	HTML + EPUB + MD	45	3	853
Podemos	PDF	HTML + EPUB + MD	33	9	292
PP	PDF	HTML + EPUB + MD	42	11	693
PSOE	PDF	HTML + EPUB + MD	91	9	1390
Vox	PDF	HTML + EPUB + MD	6	10	100

Notas:

• ¹ Se puede descargar de we.tl/t-CwCneKiaFF y la contraseña de los zip es programaelectoral.
• ² Valor calculado del resultado de imprimir el html generado en formato Din A4, con fuente Arial 12pt y margen de 1cm.

¿Por qué no usar PDF?

Hay muchos motivos para no usar pdf pero lo resumiría en que el pdf esta pensado para que el usuario vea el pdf como quiere el autor, no como quiere y necesita el usuario.

Si necesitas cambiar los margenes, el tipo de letra, o quitar las imágenes decorativas será un infierno.

Quizá el programa hable de ecología, diversidad funcional, transparencia, open data, licencias libres y flexibilidad, pero su propio formato no te deja remaquetarlo para ahorrar papel cuando lo imprimas, tampoco te deja cambiarle el tipo de letra para ayudarte con la compresión lectora si sufres algún tipo de dislexia, en muchos casos usar un lector de texto para ciegos será imposible, y mucho menos es libre, abierto, transparente o flexible.

¿Cómo se ha hecho la conversión?

Muy a grandes rasgos se han usado las herramientas de poppler-utils para generar de cada pdf un xml y un txt, los cuales lee un script python para conseguir recolocar y ensamblar el texto a la vez que detecta que es un título, que es un párrafo y que es una lista, para finalmente generar un fichero Markdown el cual se convierte a epub y html con pandoc.

En los casos que se podía usar como fuente un html en vez de un pdf solo ha hecho falta arreglar los problemas de maquetación para generar un Markdown que ya sirviera para el resto del proceso.

Dificultad de conversión

La dificultad principal al convertir un pdf a texto plano, en concreto a un lenguaje de marcado, es detectar el texto relevante (por ejemplo, no quieres copiar los números de página), ensamblarlo correctamente (pues en un pdf el texto no es "fluido"), incluso recolocarlo en no pocas ocasiones, y a menudo corregir erratas que se producen en la transformación... pero veamos en más detalle cada caso:

Fácil

El programa más fácil de convertir ha sido sin duda PACMA. La razón es obvia, existe una versión html bastante bien maquetada (aunque el validador encuentra errores graves que le impiden completar el analisis HTML para nuestro proposito solo habia dos errores que realmente nos afectaban y eran de fácil solución) y estaba cerca de cumplir las normas de Accesibilidad Web AA (solo 8 problemas).

Regular

El segundo programa más fácil en convertir fue el otro también disponible en HTML, el de Ciudadanos. La diferencia con el predecesor es que estaba muy mal maquetado (104 errores HTML) y no cumple Accesibilidad Web AA ni de lejos (68 problemas).

Aún así esto siempre será mejor que un pdf.

El caso de Ciudadanos llama la atención porque su programa de 2015 fue el pdf más dificil que he visto: El texto no era texto, si no imágenes de texto (hubo que usar OCR para intentar sacar algo), la indentación y los símbolos que marcaban la jerarquía de los capítulos y listas era totalmente ambigua, había partes repetidas en distintos capítulos, etc...

El porqué de este cambio lo atribuyo a la absorción de parte de UPyD por Ciudadanos, ya que UPyD era uno de los pocos partidos que publicaba sistemáticamente su programa en HTML y lo hacia de la misma manera (con múltiples problemas de maquetación y accesibilidad).

Difícil

Los programas de Vox y Podemos se encuentran en un nivel similar, y esperable, de dificultad. Es decir, el propio de un pdf que al menos es lo suficientemente homogenio y simple (básicamente son una lista de puntos con un solo nivel de indentación) como para que no sea un infierno reensamblar el texto.

Innecesariamente difíciles

Los tres que nos quedan son innecesariamente difíciles por distintas razones:

El de Actua esta mal generado (por los metadatos se ve que se ha hecho imprimiendo un docx a pdf) de manera que al extraer el texto muchas palabras se dividen en varios trozos (por ejemplo, Polí tica So ci a l) y la posición y las coordenadas de los bloques de texto están de tal manera que dificultaban la programación.

El del PP está lleno de fotos del líder posando que estorban, empieza con páginas a una sola columna, luego a dos columnas en un determinado formato, luego sigue a dos columnas pero en otro formato y los márgenes no son estables, obligándote a readaptar el script en cada movimiento y a renunciar a detectar algunos contenidos (como los títulos, o algunas páginas en concreto) de manera elegante y terminar hardcodeándolo.

El del PSOE aunque también es a dos columnas mantienen su formato durante todo el documento, sin embargo, lo que es un caos es la indentación. En ocasiones el uso de -, *, números y letras para listas se va alternando sin quedar claro cuál es su jerarquía. A veces hay el típico aumento del margen derecho que denota dicha jerarquía y otras veces no, a veces parece que la lógica es "primero número, luego - y luego *" y otras veces "primero número, luego * y luego -" u otra combinación posible. De manera que al final renuncié a representar de manera semántica mediante un buen lenguaje de marcado cualquier tipo de jerarquía en las listas y simplemente muestro todo como un párrafo detrás de otro.

Resultado

Solo el de PACMA queda realmente bien ya que el de Ciudadanos pierde o recupera estilos según se mire (no lo explico por no enrollarme, pero quien vea el código y sepa de html lo entenderá) y los que estaban en pdf cada uno tiene sus problemas no pudiéndose reproducir en ningún caso todos los estilos o formatos.

Sin embargo los textos están completos, que es lo que importa. Así que puedes usar las versiones epub, html y markdown sin problemas y más cómodamente que cualquiera de los originales.

Páginas y tamaño

Partido	Páginas			Tamaño (KB)
	Original1	HTML	Ahorro	Original2	EPUB	Ahorro
Actua	41	23	43 %	1501	57	96 %
Ciudadanos	26	21	19 %	1125	58	94 %
PACMA	92	45	51 %	877	80	90 %
Podemos	105	33	68 %	839	82	90 %
PP	102	42	58 %	5709	81	98 %
PSOE	152	91	40 %	615	161	73 %
Vox	25	6	76 %	183	23	87 %

Notas:

• ¹ Para Ciudadanos el valor es lo que resultaría de imprimir su página web. Para el resto es el número de páginas de sus pdf (esto incluye a PACMA porque también tenían una versión pdf).
• ² Para Ciudadanos el valor es lo que resultaría de descargar su página web, incluido css, javascript e imágenes. Para el resto es el tamaño de su pdf.

¿En qué se van tantas páginas?

Lo más común es que se rellenen páginas con grandes margenes y un tamaño de letra amplio (si, justo como en el cole), lo cual, aunque no me gusta, es hasta cierto punto normal porque mucha gente encuentra la lectura más cómoda así. Este es el caso de la mayoría, con la excepción del PP, que usando un tipo de letra relativamente pequeño en comparación con los otros derrocha espacio con múltiples fotos del líder posando y otras con pinta de powerpoint de una presentación corporativa.

¿En qué se van tantos KB?

Aquí se ve muy bien lo dicho anteriormente sobre el PP, mientras que en los demás la reducción de peso es la normal, en el PP se dispara al prescindir de los elementos decorativos o de exhibición del líder.

Palabras más usadas

Tras eliminar algunas preposiciones, conjunciones, artículos, pronombres, adverbios y otras palabras poco relevantes pero muy usadas en nuestro idioma, se buscan las raíces de palabras más usadas (representadas con la raíz más un *) y se escogen las 10 más usadas. Si da la casualidad de que alguna de esas raíces solo corresponde a una palabra, indico directamente la palabra en vez de la raíz (y por lo tanto no llevará *).

Bajo los gráficos se encuentra el desglose de palabras pertenecientes a una raíz.

¡OJO! Que los porcentajes son en ‰ (tanto por mil), no en % (tanto por ciento).

Actua

• 14.13 ‰ public*:
  • 5.56 ‰ públicos
  • 2.91 ‰ pública
  • 2.78 ‰ públicas
  • 1.77 ‰ público
  • 0.13 ‰ publicación
• 9.24 ‰ social*:
  • 5.69 ‰ social
  • 2.65 ‰ sociales
  • 0.25 ‰ socialmente
• 8.29 ‰ polit*:
  • 3.54 ‰ política
  • 3.29 ‰ políticas
  • 0.51 ‰ político
  • 0.38 ‰ políticos
• 8.15 ‰ derech*:
  • 4.68 ‰ derechos
  • 1.77 ‰ derecho
  • 1.01 ‰ derecha
  • 0.13 ‰ derechas
• 6.52 ‰ model*:
  • 5.43 ‰ modelo
  • 0.63 ‰ modelos
• 6.25 ‰ econom*:
  • 1.90 ‰ económica
  • 1.39 ‰ económico
  • 1.01 ‰ economía
  • 0.76 ‰ económicas
  • 0.51 ‰ económicos
  • 0.13 ‰ económicamente
  • 0.13 ‰ economista
• 5.43 ‰ autonom*:
  • 1.77 ‰ autónomas
  • 1.26 ‰ autonomía
  • 0.38 ‰ autónomos
  • 0.38 ‰ autonómico
  • 0.38 ‰ autonómicas
  • 0.38 ‰ autonómica
  • 0.25 ‰ autonómicos
  • 0.25 ‰ autonomías
• 5.30 ‰ servici*:
  • 3.92 ‰ servicios
  • 1.01 ‰ servicio
• 5.30 ‰ sistem*:
  • 4.17 ‰ sistema
  • 0.63 ‰ sistemas
  • 0.13 ‰ sistémica
• 5.03 ‰ españ*:
  • 3.79 ‰ españa
  • 0.38 ‰ española
  • 0.25 ‰ españolas
  • 0.13 ‰ españoles
  • 0.13 ‰ español

Ciudadanos

• 17.63 ‰ españ*:
  • 9.88 ‰ españa
  • 2.61 ‰ españoles
  • 1.92 ‰ español
  • 1.65 ‰ española
  • 0.41 ‰ españolas
• 12.49 ‰ public*:
  • 3.43 ‰ públicos
  • 3.02 ‰ públicas
  • 2.47 ‰ público
  • 2.06 ‰ pública
  • 0.14 ‰ publicarse
  • 0.14 ‰ publicaremos
  • 0.14 ‰ publicar
  • 0.14 ‰ publicando
  • 0.14 ‰ publicación
• 10.72 ‰ garantiz*:
  • 4.53 ‰ garantizar
  • 4.12 ‰ garantizaremos
  • 0.82 ‰ garantizando
  • 0.27 ‰ garantizará
  • 0.14 ‰ garantizarles
  • 0.14 ‰ garantizado
• 8.08 ‰ nacional*:
  • 6.45 ‰ nacional
  • 0.41 ‰ nacionales
  • 0.27 ‰ nacionalistas
  • 0.27 ‰ nacionalista
  • 0.14 ‰ nacionalidad
• 7.05 ‰ derech*:
  • 3.71 ‰ derecho
  • 2.88 ‰ derechos
• 6.90 ‰ impuls*:
  • 5.35 ‰ impulsaremos
  • 0.55 ‰ impulsando
  • 0.27 ‰ impulsar
  • 0.14 ‰ impulsará
  • 0.14 ‰ impulsada
• 6.32 ‰ mejor*:
  • 1.65 ‰ mejorar
  • 1.51 ‰ mejores
  • 1.51 ‰ mejoraremos
  • 0.96 ‰ mejora
  • 0.14 ‰ mejore
  • 0.14 ‰ mejorando
• 6.17 ‰ nuev*:
  • 1.92 ‰ nuevo
  • 1.51 ‰ nuevos
  • 1.51 ‰ nueva
  • 0.82 ‰ nuevas
• 5.88 ‰ trabaj*:
  • 2.47 ‰ trabajo
  • 1.51 ‰ trabajadores
  • 0.41 ‰ trabajador
  • 0.27 ‰ trabajar
  • 0.14 ‰ trabajos
  • 0.14 ‰ trabajen
  • 0.14 ‰ trabajaremos
  • 0.14 ‰ trabajando
  • 0.14 ‰ trabajadoras
  • 0.14 ‰ trabajadora
• 5.88 ‰ acab*:
  • 3.02 ‰ acabar
  • 2.47 ‰ acabaremos

PACMA

• 25.45 ‰ animal*:
  • 17.22 ‰ animales
  • 3.87 ‰ animal
  • 2.34 ‰ animalista
  • 0.07 ‰ animalistas
• 8.89 ‰ public*:
  • 2.00 ‰ pública
  • 1.87 ‰ público
  • 1.80 ‰ públicas
  • 1.74 ‰ públicos
  • 0.27 ‰ publicado
  • 0.13 ‰ publicar
  • 0.13 ‰ publicando
  • 0.13 ‰ publicación
  • 0.07 ‰ públicamente
  • 0.07 ‰ publicarán
• 8.46 ‰ person*:
  • 7.28 ‰ personas
  • 0.47 ‰ persona
  • 0.07 ‰ personan
• 6.22 ‰ educ*:
  • 3.27 ‰ educación
  • 1.07 ‰ educativo
  • 0.80 ‰ educativos
  • 0.27 ‰ educativas
  • 0.13 ‰ educativa
  • 0.13 ‰ educar
  • 0.07 ‰ educadores
• 6.14 ‰ desarroll*:
  • 3.87 ‰ desarrollo
  • 0.87 ‰ desarrollar
  • 0.47 ‰ desarrollen
  • 0.13 ‰ desarrollando
  • 0.13 ‰ desarrollan
  • 0.07 ‰ desarrollos
  • 0.07 ‰ desarrollados
  • 0.07 ‰ desarrolla
• 6.07 ‰ social*:
  • 3.74 ‰ social
  • 1.87 ‰ sociales
• 5.64 ‰ propon*:
  • 4.54 ‰ proponemos
  • 0.60 ‰ propone
  • 0.07 ‰ proponer
• 5.20 ‰ salud*:
  • 4.41 ‰ salud
  • 0.27 ‰ saludables
  • 0.13 ‰ saludable
• 5.06 ‰ polit*:
  • 2.34 ‰ políticas
  • 1.74 ‰ política
  • 0.53 ‰ políticos
  • 0.07 ‰ político
• 4.70 ‰ protección

Podemos

• 11.00 ‰ public*:
  • 3.04 ‰ público
  • 2.97 ‰ pública
  • 2.05 ‰ públicas
  • 1.70 ‰ públicos
  • 0.07 ‰ publicaremos
  • 0.07 ‰ publicar
  • 0.07 ‰ publicado
  • 0.07 ‰ publicación
• 9.60 ‰ derech*:
  • 5.65 ‰ derechos
  • 2.90 ‰ derecho
  • 0.14 ‰ derecha
  • 0.07 ‰ derechas
• 8.60 ‰ trabaj*:
  • 2.19 ‰ trabajo
  • 1.62 ‰ trabajadores
  • 1.41 ‰ trabajadoras
  • 0.57 ‰ trabajar
  • 0.49 ‰ trabajan
  • 0.42 ‰ trabajadora
  • 0.28 ‰ trabajará
  • 0.28 ‰ trabajador
  • 0.21 ‰ trabajaremos
  • 0.14 ‰ trabajos
  • 0.07 ‰ trabajamos
  • 0.07 ‰ trabajado
  • 0.07 ‰ trabaja
• 8.29 ‰ person*:
  • 6.64 ‰ personas
  • 0.92 ‰ persona
• 6.89 ‰ españ*:
  • 4.10 ‰ españa
  • 0.92 ‰ española
  • 0.71 ‰ españolas
  • 0.42 ‰ españoles
  • 0.14 ‰ español
• 6.58 ‰ servici*:
  • 4.59 ‰ servicios
  • 1.41 ‰ servicio
• 5.96 ‰ establec*:
  • 1.70 ‰ estableceremos
  • 1.34 ‰ establecer
  • 0.71 ‰ establecerá
  • 0.49 ‰ establecerán
  • 0.28 ‰ establecimientos
  • 0.28 ‰ establecimiento
  • 0.21 ‰ establecido
  • 0.14 ‰ estableciendo
  • 0.14 ‰ establecida
  • 0.14 ‰ establece
• 5.89 ‰ pais*:
  • 4.45 ‰ país
  • 0.92 ‰ países
• 5.34 ‰ sistem*:
  • 4.24 ‰ sistema
  • 0.64 ‰ sistemas
• 5.19 ‰ social*:
  • 2.68 ‰ social
  • 1.91 ‰ sociales
  • 0.07 ‰ socialmente
  • 0.07 ‰ socialista

PP

• 12.06 ‰ españ*:
  • 6.21 ‰ españa
  • 2.27 ‰ españoles
  • 1.46 ‰ española
  • 0.88 ‰ español
  • 0.58 ‰ españolas
• 11.60 ‰ impuls*:
  • 6.94 ‰ impulsaremos
  • 1.24 ‰ impulsar
  • 1.24 ‰ impulsando
  • 0.88 ‰ impulso
  • 0.22 ‰ impulsarán
  • 0.15 ‰ impulsen
  • 0.07 ‰ impulse
  • 0.07 ‰ impulsará
  • 0.07 ‰ impulsan
  • 0.07 ‰ impulsado
• 8.43 ‰ desarroll*:
  • 4.68 ‰ desarrollo
  • 2.12 ‰ desarrollaremos
  • 0.22 ‰ desarrollar
  • 0.22 ‰ desarrollando
  • 0.15 ‰ desarrollen
  • 0.15 ‰ desarrolladas
  • 0.07 ‰ desarrollos
  • 0.07 ‰ desarrolle
  • 0.07 ‰ desarrollará
  • 0.07 ‰ desarrollarse
  • 0.07 ‰ desarrollan
  • 0.07 ‰ desarrolladores
• 8.27 ‰ public*:
  • 2.70 ‰ públicos
  • 1.68 ‰ público
  • 1.61 ‰ públicas
  • 1.53 ‰ pública
  • 0.07 ‰ públicamente
  • 0.07 ‰ publicando
  • 0.07 ‰ publicados
  • 0.07 ‰ publicación
• 7.81 ‰ promov*:
  • 5.55 ‰ promoveremos
  • 1.02 ‰ promover
  • 0.44 ‰ promoviendo
  • 0.22 ‰ promoverán
  • 0.15 ‰ promoverá
• 7.58 ‰ plan*:
  • 4.38 ‰ plan
  • 2.78 ‰ planes
• 7.42 ‰ nacional*:
  • 5.63 ‰ nacional
  • 1.10 ‰ nacionales
  • 0.15 ‰ nacionalidad
  • 0.07 ‰ nacionalismos
  • 0.07 ‰ nacionalismo
• 6.49 ‰ nuev*:
  • 2.56 ‰ nuevas
  • 1.83 ‰ nuevos
  • 0.95 ‰ nueva
  • 0.80 ‰ nuevo
• 6.18 ‰ segur*:
  • 5.19 ‰ seguridad
  • 0.22 ‰ seguras
  • 0.15 ‰ seguros
  • 0.15 ‰ seguro
  • 0.15 ‰ segura
• 6.11 ‰ autonom*:
  • 2.63 ‰ autónomas
  • 0.66 ‰ autonómicos
  • 0.58 ‰ autonómico
  • 0.51 ‰ autónomos
  • 0.44 ‰ autonómicas
  • 0.37 ‰ autonomía
  • 0.22 ‰ autónomo
  • 0.22 ‰ autonómica
  • 0.07 ‰ autónoma
  • 0.07 ‰ autonomías

PSOE

• 13.97 ‰ social*:
  • 5.80 ‰ social
  • 3.30 ‰ sociales
  • 2.31 ‰ socialista
  • 1.60 ‰ socialistas
  • 0.06 ‰ socialmente
• 10.58 ‰ españ*:
  • 6.12 ‰ españa
  • 1.35 ‰ española
  • 1.03 ‰ españoles
  • 0.71 ‰ español
  • 0.67 ‰ españolas
  • 0.03 ‰ españas
• 7.67 ‰ derech*:
  • 4.55 ‰ derechos
  • 2.31 ‰ derecho
  • 0.22 ‰ derecha
  • 0.10 ‰ derechas
• 7.50 ‰ public*:
  • 1.89 ‰ pública
  • 1.76 ‰ público
  • 1.70 ‰ públicos
  • 1.54 ‰ públicas
  • 0.06 ‰ publicación
  • 0.03 ‰ públicamente
  • 0.03 ‰ publicando
• 7.36 ‰ polit*:
  • 3.14 ‰ políticas
  • 3.04 ‰ política
  • 0.38 ‰ políticos
  • 0.32 ‰ político
• 6.99 ‰ impuls*:
  • 2.21 ‰ impulsar
  • 1.73 ‰ impulsaremos
  • 1.03 ‰ impulso
  • 0.54 ‰ impulsando
  • 0.42 ‰ impulsado
  • 0.16 ‰ impulse
  • 0.16 ‰ impulsará
  • 0.13 ‰ impulsarán
  • 0.06 ‰ impulsadas
  • 0.03 ‰ impulsó
  • 0.03 ‰ impulsan
  • 0.03 ‰ impulsa
• 6.81 ‰ desarroll*:
  • 3.62 ‰ desarrollo
  • 1.38 ‰ desarrollar
  • 0.38 ‰ desarrollando
  • 0.35 ‰ desarrollaremos
  • 0.13 ‰ desarrollen
  • 0.10 ‰ desarrolle
  • 0.10 ‰ desarrollan
  • 0.06 ‰ desarrollos
  • 0.06 ‰ desarrollada
  • 0.03 ‰ desarrolló
  • 0.03 ‰ desarrollaran
  • 0.03 ‰ desarrollados
  • 0.03 ‰ desarrollado
  • 0.03 ‰ desarrolladas
  • 0.03 ‰ desarrolla
• 6.75 ‰ person*:
  • 5.93 ‰ personas
  • 0.38 ‰ persona
• 6.44 ‰ gobiern*:
  • 5.96 ‰ gobierno
  • 0.03 ‰ gobierne
  • 0.03 ‰ gobierna
• 6.20 ‰ sistem*:
  • 5.03 ‰ sistema
  • 0.71 ‰ sistemas
  • 0.03 ‰ sistémico
  • 0.03 ‰ sistémicas

Vox

• 24.96 ‰ españ*:
  • 8.85 ‰ españa
  • 4.43 ‰ españoles
  • 3.87 ‰ española
  • 3.87 ‰ español
  • 2.21 ‰ españolas
• 13.67 ‰ nacional*:
  • 8.85 ‰ nacional
  • 2.77 ‰ nacionalidad
  • 0.55 ‰ nacionalidades
  • 0.55 ‰ nacionales
• 11.29 ‰ public*:
  • 3.87 ‰ públicos
  • 2.77 ‰ público
  • 2.21 ‰ pública
  • 1.11 ‰ públicas
  • 0.55 ‰ publicación
• 8.91 ‰ famili*:
  • 3.87 ‰ familias
  • 2.21 ‰ familiar
  • 2.21 ‰ familia
• 7.13 ‰ inmigr*:
  • 2.77 ‰ inmigrantes
  • 2.77 ‰ inmigración
  • 1.11 ‰ inmigrante
• 7.13 ‰ empres*:
  • 3.87 ‰ empresa
  • 2.77 ‰ empresas
• 6.54 ‰ estado
• 5.94 ‰ autonom*:
  • 2.77 ‰ autonómicas
  • 0.55 ‰ autónomos
  • 0.55 ‰ autónoma
  • 0.55 ‰ autonómico
  • 0.55 ‰ autonómica
  • 0.55 ‰ autonomía
• 5.35 ‰ ilegal*:
  • 2.77 ‰ ilegales
  • 1.66 ‰ ilegal
  • 0.55 ‰ ilegalmente
• 5.35 ‰ reducción

Conclusiones

No creo que realmente se pueda extraer conclusiones serias de estos gráficos que no supiéramos todos ya.