Cómo usarla
- Elige o arrastra un archivo PDF.
- Elige Párrafos y encabezados o Diseño posicionado.
- Selecciona Convertir a HTML y espera a que se lean todas las páginas.
- Revisa la vista previa y luego copia el código o descarga el archivo .html.
Cómo funciona
La herramienta lee la capa de texto de cada página con pdf.js: cada fragmento de texto con su posición y tamaño de fuente. En el modo Párrafos y encabezados, los fragmentos que están en la misma línea base se unen en líneas, y las líneas se agrupan en párrafos según su espaciado vertical y sangría. Las líneas de tamaño claramente mayor que el texto del cuerpo se convierten en encabezados (h1–h3); las líneas que empiezan con una viñeta o un número como 1. se convierten en elementos de lista; y las palabras divididas con guion al final de una línea se unen cuando la línea siguiente empieza con minúscula. Un comentario HTML marca dónde empieza cada página.
En el modo Diseño posicionado, cada fragmento de texto se convierte en un span colocado en sus coordenadas dentro de una caja del tamaño de la página, usando una fuente genérica serif, sans-serif o monospace. Se parece al PDF, pero no es adecuado para edición.
Solo se convierte el texto. Las imágenes, los dibujos, los bordes de tabla, los colores, las fuentes, la negrita y la cursiva, y los enlaces no se conservan; las tablas aparecen como líneas de texto. Las páginas con varias columnas se leen en el orden en que está almacenado el texto, que suele ser el orden de lectura, pero no siempre. Los PDF escaneados no tienen capa de texto y requieren OCR primero. Todo el texto se escapa como HTML.
Ejemplos
Publicar un folleto en línea
Un folleto de producto de dos páginas se convierte en encabezados h2, párrafos y listas con viñetas que se pegan en un CMS y se adaptan a las pantallas de teléfono.
Comprobar la capa de texto
El diseño posicionado muestra exactamente dónde se ubica cada fragmento de texto de un formulario en la página, lo que resulta útil para depurar la generación de PDF.
Preguntas frecuentes
¿Se convierten las imágenes y las tablas?
No. Solo se lee la capa de texto. Las imágenes y los gráficos se omiten, y las celdas de tabla aparecen como líneas de texto porque un PDF no registra qué texto pertenece a cada celda.
¿Por qué un encabezado se detecta como párrafo (o al revés)?
Los encabezados se reconocen solo por tener un tamaño mayor que el tamaño de texto más común. El texto en negrita de tamaño normal sigue siendo un párrafo, y el texto decorativo grande puede convertirse en un encabezado.
¿Por qué el orden de los párrafos es incorrecto?
La herramienta sigue el orden en que el texto está almacenado en el PDF. Algunos programas guardan columnas, barras laterales o leyendas en un orden distinto al que muestran.
Mi PDF no devuelve texto. ¿Qué puedo hacer?
Lo más probable es que sea un documento escaneado. Primero reconoce el texto con OCR, por ejemplo con Imagen a Texto (OCR) en las imágenes de las páginas.
Privacidad
El PDF se lee en tu navegador con pdf.js. El archivo y el HTML no se suben, no se almacenan y no se incluyen en las analíticas; solo se cuenta un evento anónimo de que se usó la herramienta.