Cómo extraer el texto de un PDF
- Añade el PDF. Toca Elegir PDF o arrastra el archivo a la página. Si está protegido con contraseña, escríbela y toca Abrir.
- Deja que lea las páginas. Los elementos de texto de cada página se leen y se reconstruyen en líneas a partir de sus posiciones. Una barra de progreso muestra en qué página va.
- Ajusta el resultado. Marca Una página por sección para tener un encabezado sobre cada página, y Quitar guiones de división para unir las palabras partidas al final de línea. El cuadro se actualiza al instante.
- Copia o descarga. Toca Copiar texto para ponerlo en el portapapeles, o Descargar .txt para guardar un archivo de texto plano con el nombre del PDF.
Qué hace
- Extrae toda la capa de texto de un PDF, conservando los saltos de línea y los huecos entre párrafos tal como aparecen en la página
- Una página por sección: añade un encabezado «Página 3 de 12» sobre el texto de cada página
- Quitar guiones de división: une las palabras partidas al final de una línea (docu- / mento → documento)
- Copia al portapapeles con un toque, o descarga como archivo .txt en UTF-8
- Te avisa cuando un PDF no tiene capa de texto (un escaneo) y enlaza la herramienta de OCR en lugar de devolver un archivo vacío
- Funciona por completo en tu dispositivo: la única petición de red descarga la biblioteca de código abierto PDF.js
¿Qué extrae la herramienta?
Una página PDF es una lista de instrucciones de dibujo. Cuando el archivo se creó a partir de un documento digital (un archivo de Word, una página web, un correo), esas instrucciones incluyen una capa de texto: los propios caracteres más la posición de cada fragmento en la página. PDF.js lee esa capa y la devuelve como elementos de texto con posición (su API getTextContent). Esta herramienta reconstruye líneas legibles a partir de esos elementos y te entrega el resultado como texto plano. Si el PDF es un escaneo, no hay capa de texto ni nada que extraer; la herramienta te lo dice y te manda al OCR en lugar de entregarte un archivo vacío.
¿Cómo se reconstruyen las líneas?
| Regla | Qué hace | Por qué |
|---|---|---|
| Misma línea base → misma línea | Los elementos de texto cuya posición vertical difiere en menos de la mitad de la altura del glifo se unen en una línea, de izquierda a derecha | Los generadores de PDF parten una línea en muchos elementos (por palabra, por cambio de fuente, por par de kerning) |
| Hueco → espacio | Un hueco horizontal mayor que un cuarto de la altura del glifo entre dos elementos se convierte en un solo espacio | Muchos PDF nunca almacenan caracteres de espacio; el hueco es la única pista |
| Hueco vertical grande → línea en blanco | Un hueco de más de 1,6 alturas de línea entre líneas inserta una línea vacía | Mantiene párrafos y títulos visiblemente separados |
| Una página por sección (opción) | Añade un encabezado ===== Page n of N ===== antes de cada página, páginas vacías incluidas | Te permite localizar un pasaje en el original |
| Quitar guiones de división (opción) | Une docu- + salto de línea + mento en documento cuando ambos lados son letras minúsculas; elimina los guiones blandos al final de línea | El texto justificado está lleno de guiones de final de línea que no forman parte de la palabra |
¿Cuándo es el texto plano el resultado adecuado?
- Para pegar una cláusula de contrato, una carta o una cita en un correo, una nota o un cuadro de búsqueda.
- Para pasar un documento a una herramienta de traducción, un lector de pantalla o un script de análisis de texto.
- Para guardar una copia en la que se pueda buscar junto al original, o comprobar qué reconoció realmente el OCR de un escáner.
- Para contar y citar: el contador de palabras de PDF da las cifras; esta herramienta da las palabras.
Si necesitas la maquetación, usa el propio PDF o convierte las páginas a imágenes con PDF a JPG. Si necesitas eliminar algo antes de compartir, Censurar PDF borra el texto de debajo, no solo la tinta.
¿Cuáles son los límites?
- Solo la capa de texto. Un escaneo sin OCR no da nada; un escaneo con OCR da la salida del OCR, errores incluidos.
- El orden de lectura es geométrico: de arriba abajo, de izquierda a derecha. Las páginas a varias columnas y las tablas pueden entremezclarse.
- Los valores de campos de formulario, los comentarios, las anotaciones, los marcadores y los archivos adjuntos no forman parte del texto de la página y no se extraen.
- Las fuentes con asignaciones Unicode rotas o ausentes (algunos generadores de PDF antiguos, algunas fuentes de símbolos) salen como caracteres basura; es un defecto del archivo, y el comando copiar de un visor de PDF muestra lo mismo.
- No sobrevive ningún formato: negritas, cursivas, colores, enlaces e imágenes se descartan.