Cómo contar las palabras de un PDF
- Añade el PDF. Toca Elegir PDF o arrastra el archivo a la página. Los archivos protegidos con contraseña la piden primero.
- Espera a la pasada página por página. La herramienta lee por turno la capa de texto y las operaciones de dibujo de cada página. Una barra de progreso muestra en qué página va; un informe de 300 páginas tarda unos segundos.
- Lee los totales y el veredicto. Cinco recuadros muestran páginas, palabras, caracteres, caracteres sin espacios e imágenes. Debajo, el veredicto dice si el archivo tiene capa de texto, parece escaneado o es sobre todo imágenes.
- Revisa páginas concretas. La tabla por página muestra los mismos recuentos para cada página; las páginas sin texto aparecen en gris. En archivos de más de 30 páginas, la tabla empieza plegada.
Qué hace
- Totales y una tabla por página: palabras, caracteres, caracteres sin espacios, imágenes
- Recuento de palabras compatible con Unicode: funciona con texto acentuado, cirílico, griego, CJK y tailandés, no solo en inglés
- Te dice si el PDF tiene capa de texto o parece escaneado, y enlaza la herramienta de OCR cuando lo es
- Cuenta las imágenes incrustadas y en línea por página, para que veas qué páginas son fotos
- Abre PDF protegidos con contraseña si la conoces
- Funciona por completo en tu dispositivo: la única petición de red descarga la biblioteca de código abierto PDF.js
¿Qué significan los recuentos?
Un PDF no es un archivo de procesador de textos. Almacena instrucciones de dibujo (coloca este glifo aquí, aquella imagen allí) y, si se creó a partir de un documento digital, una capa de texto que indica a los visores qué caracteres son esos glifos. Esta herramienta lee esa capa de texto con PDF.js, reconstruye las líneas a partir de las posiciones de los elementos de texto y cuenta lo que encuentra. También recorre la lista de operadores de cada página para contar las operaciones de dibujo de imagen, y así distingue una página escrita de una escaneada.
| Recuento | Qué mide | Qué no incluye |
|---|---|---|
| Páginas | Páginas del árbol de páginas, tal como las mostraría un visor | Páginas ocultas o eliminadas que siguen presentes como objetos sin usar |
| Palabras | Segmentos con forma de palabra de la capa de texto, detectados con el segmentador Unicode del navegador; los números cuentan, la puntuación no | Texto dentro de imágenes, valores de campos de formulario, comentarios, marcadores |
| Caracteres | Puntos de código Unicode del texto reconstruido, incluidos espacios y saltos de línea | Glifos invisibles o de ancho cero que el visor nunca muestra |
| Caracteres sin espacios | Lo mismo, menos cada carácter de espacio en blanco: la cifra que usan muchos presupuestos de traducción y maquetación | — |
| Imágenes | Operaciones de dibujo de imagen: imágenes incrustadas, imágenes en línea, máscaras de imagen | Dibujos vectoriales, patrones de sombreado, texto dibujado como contornos |
¿Cuántas palabras tiene una página?
No hay una respuesta fija, depende del tamaño de fuente, los márgenes y el interlineado, pero los rangos de abajo son las reglas generales habituales para una página Letter o A4, y te ayudan a comprobar si un resultado tiene sentido. La fila del escaneo es la importante: una página escaneada no tiene capa de texto, así que cuenta cero palabras por mucho que haya impreso en ella.
| Tipo de página | Palabras típicas | Caracteres típicos | Imágenes | Qué dice la herramienta |
|---|---|---|---|---|
| Carta comercial, 11–12 pt, interlineado sencillo | unas 300–500 | unos 2.000–3.000 | 0–1 (logotipo) | Tiene capa de texto |
| Página de manuscrito o ensayo a doble espacio | unas 250–300 | unos 1.500–2.000 | 0 | Tiene capa de texto |
| Página densa de contrato, 9–10 pt, márgenes estrechos | unas 600–900 | unos 4.000–6.000 | 0 | Tiene capa de texto |
| Página de presentación de diapositivas | unas 20–80 | unos 150–600 | 1–5 | Tiene capa de texto (o sobre todo imágenes) |
| Página escaneada sin OCR | 0 | 0 | 1 (a veces más si el escáner la divide en mosaicos) | Parece escaneada: usa la herramienta de OCR |
| Página escaneada con capa OCR | como el texto impreso, menos los errores de reconocimiento | como el impreso | 1 | Tiene capa de texto |
¿Cuándo resulta útil?
- Los presupuestos de traducción y corrección se cobran por palabra o por cada 1.000 caracteres sin espacios; necesitas la cifra antes de pedir precio.
- Los límites de entrega (solicitudes de subvención, escritos judiciales, artículos académicos) suelen fijarse en palabras o páginas.
- Antes del OCR: una forma rápida de saber si un lote de PDF ya permite búsquedas, y qué páginas no.
- Antes de enviar por correo: un archivo con cientos de imágenes por página es un escaneo y pesará mucho; mira la herramienta Comprimir PDF.
Si necesitas las palabras en sí y no solo el recuento, la herramienta PDF a texto las extrae a un archivo .txt con la misma reconstrucción de líneas.
¿Cuáles son los límites?
- Solo cuenta la capa de texto. Un escaneo sin OCR cuenta cero; un escaneo con una capa OCR deficiente cuenta los errores del OCR.
- La reconstrucción de líneas es geométrica. Las maquetaciones a varias columnas se leen columna a columna cuando están bien separadas, pero las tablas y el texto que rodea imágenes pueden entremezclarse, lo que apenas cambia el recuento de palabras pero puede partir o unir una palabra en el límite.
- Los campos de formulario, las anotaciones, los comentarios y los marcadores no forman parte del texto de la página y no se cuentan.
- Los archivos protegidos con contraseña la necesitan. Los archivos que PDF.js no puede analizar fallan con un mensaje.
- Los archivos muy grandes se procesan página a página y los recursos de cada página se liberan antes de la siguiente, pero un escaneo de 1.000 páginas sigue tardando un rato en un teléfono.