Cómo usarla
- Selecciona o arrastra un archivo PDF.
- Decide si cada página debe comenzar con un encabezado como «--- Página 3 ---».
- Seleccione Extraer texto y espere a que se lean todas las páginas.
- Copia el texto o descárgalo como un archivo .txt en UTF-8.
Cómo funciona
Los archivos PDF creados con un procesador de textos, un sitio web o la mayoría del software contienen una capa de texto: los caracteres y sus posiciones. La herramienta lee esa capa página por página con pdf.js y la convierte en líneas de texto sin formato. No se conservan fuentes, tamaños, colores, imágenes ni tablas; las celdas de tabla salen como texto separado por espacios o saltos de línea.
El orden de lectura sigue el orden almacenado en el PDF, que suele ser el orden visual. Los diseños de varias columnas, las notas al pie y los cuadros de texto pueden aparecer en una secuencia inesperada, y las palabras con guion al final de línea permanecen divididas.
Los documentos escaneados y las fotos guardadas como PDF solo contienen imágenes de texto y no tienen capa de texto, por lo que no se puede extraer nada. La herramienta lo detecta y te dirige al OCR (reconocimiento óptico de caracteres), que lee texto de imágenes. El texto de algunos PDF usa fuentes sin un mapa de caracteres correcto; ese texto puede aparecer como símbolos ilegibles.
Los PDF que requieren contraseña para abrirse no se pueden leer. Los PDF que solo tienen restricciones de copia se leen, así que respeta los derechos del propietario del documento.
Ejemplos
Citar un informe
Extrae el texto de un informe PDF de 40 páginas, búscalo en el cuadro de texto y copia el párrafo que necesitas sin pelear con la selección del visor de PDF.
Carta escaneada
Una carta escaneada a PDF no produce texto. La herramienta lo indica y enlaza a la herramienta de OCR, que puede reconocer el texto de una imagen de la página.
Preguntas frecuentes
¿Por qué no se encuentra texto en mi PDF?
Lo más probable es que el PDF contenga imágenes escaneadas en lugar de texto. Pasa las páginas por OCR para reconocer el texto.
¿Por qué las palabras o las líneas están en el orden incorrecto?
La herramienta usa el orden en que el texto está almacenado en el archivo. Algunos programas guardan columnas, encabezados o cuadros de texto en un orden distinto al que se ve.
¿Por qué el texto contiene símbolos extraños?
Algunos PDF usan fuentes sin información sobre qué carácter representa cada glifo. Las letras visibles no se pueden volver a asignar a texto; OCR es la única opción para esos archivos.
¿Se conserva el formato, como la negrita o las tablas?
No. El resultado es texto sin formato con saltos de línea. Las celdas y columnas de las tablas se convierten en texto en líneas.
Privacidad
El PDF se abre y se lee en tu navegador con pdf.js. El archivo y el texto extraído no se suben, se almacenan ni se incluyen en las analíticas; solo se cuenta un evento anónimo de que se usó la herramienta.