Cómo extraer el texto de un PDF
- Suelta un PDF en el recuadro de arriba o pulsa Elegir un PDF. La herramienta muestra el número de páginas y el tamaño.
- Para leer solo algunas páginas, escríbelas en el cuadro Páginas, por ejemplo
1-3, 5, 8-. Déjalo vacío para leer todo el documento. - Pulsa Extraer texto. Una barra de progreso indica qué página se está leyendo.
- El texto aparece en un cuadro. Activa Añadir una línea «Página N» antes de cada página para no perder la cuenta de las páginas, o Unir las líneas de cada párrafo para quitar los saltos de línea que solo provienen del ancho de la página.
- Pulsa Copiar texto o Descargar .txt. El archivo lleva el nombre de tu PDF, por ejemplo
informe.txt.
El texto se lee dentro de tu navegador con el motor de código abierto pdf.js. Tu PDF no se sube nunca, y no hace falta registrarse ni hay marca de agua ni límite de páginas.
Qué puede y qué no puede leer esta herramienta
Un PDF puede guardar el texto de dos maneras. En un PDF digital, creado con un procesador de textos, una página web o un generador de informes, las letras son caracteres reales con una posición en la página. Esta herramienta los lee directamente, lo que es rápido y exacto. En un PDF escaneado, cada página es simplemente una fotografía del papel, así que no hay caracteres que leer. Si la herramienta encuentra casi nada de texto, te lo dice y enlaza con otras dos: PDF a JPG, que convierte las páginas en imágenes, e Imagen a texto, que usa OCR para reconocer las letras de las imágenes.
El texto sale en el orden de lectura en que lo guarda el PDF. La herramienta reconstruye las líneas a partir de la posición vertical de las palabras y añade espacios donde las palabras están claramente separadas. Los espacios entre párrafos se convierten en una línea en blanco. Los encabezados, los pies de página y los números de página se incluyen porque forman parte de la página.
Ejemplo práctico
Tienes una memoria anual de 24 páginas y necesitas el texto del resumen, que está en las páginas 3 a 5, para pegarlo en un correo. Escribe 3-5, pulsa Extraer texto y, como el resumen está maquetado en dos columnas estrechas, activa Unir las líneas de cada párrafo. Las líneas cortadas se convierten en párrafos continuos, listos para pegar. Las estadísticas bajo el cuadro muestran algo como «Palabras: 412 · caracteres: 2567 · 3 páginas». Si más adelante necesitas toda la memoria con marcas de página para poder buscar, vacía el cuadro Páginas, activa las líneas de página y descarga el archivo .txt.
Solución de problemas
- Símbolos extraños o tildes que faltan. Algunos PDF usan fuentes sin correspondencia entre los glifos y las letras, de modo que el texto no se puede recuperar. El OCR sobre las imágenes de las páginas es la alternativa fiable.
- Palabras pegadas o partidas. Depende de cómo se haya generado el PDF. Las líneas se separan por posiciones, así que un espaciado poco habitual puede unir o partir palabras de vez en cuando.
- Tablas. Las celdas llegan como líneas de texto en el orden de las filas. Pégalas en una hoja de cálculo y usa «Texto en columnas» para reconstruir la tabla.
- Los PDF con contraseña no se pueden leer hasta que les quites la contraseña en un lector de PDF.
- ¿Tu lector de PDF no te deja copiar el texto? Si el documento es tuyo, normalmente puedes extraer su texto aquí. Respeta los derechos de autor cuando reutilices contenido ajeno.
Preguntas frecuentes
¿Se sube mi PDF a algún servidor?
No. El texto se lee dentro de tu navegador con un motor de código abierto que se carga desde esta misma web. Ni el archivo ni el texto salen de tu dispositivo.
¿Por qué no obtengo texto o solo unos pocos caracteres?
Lo más probable es que el PDF sea un escaneo: sus páginas son imágenes, no texto. La herramienta te lo indica y enlaza con PDF a JPG e Imagen a texto, que convierten las páginas en imágenes y las leen con OCR.
¿Se conservan el diseño, las tablas y las columnas?
Reconstruye las líneas y los párrafos a partir de la posición de las palabras, algo que funciona bien con texto normal. Las tablas y los diseños de varias columnas salen como líneas de texto y pueden necesitar retoques. Usa «Unir las líneas de cada párrafo» para quitar los saltos de línea dentro de los párrafos.
¿Funciona con español y con otros idiomas?
Sí, siempre que el PDF guarde texto real con una codificación de fuente correcta. Las tildes, la ñ y otros signos se copian exactamente como están almacenados. Si el resultado muestra símbolos extraños, las fuentes del PDF no tienen correspondencia con el texto y la alternativa es el OCR.
¿Puedo extraer solo algunas páginas?
Sí. Escribe páginas como 1-3, 5, 8- en el cuadro Páginas. Déjalo vacío para leer todo el documento. Puedes añadir una línea «Página N» antes de cada página.