Extraer texto de PDF
Deje un PDF solo en sus palabras: sin fuentes, sin imágenes, sin diseño, únicamente un archivo .txt para buscar, pegar, comparar, pasar a un script o cargar en una herramienta de traducción. Las páginas escaneadas se leen antes con OCR.
Convertidor de PDF
o suelte aquí archivos PDF ·
Máx. 95 MB por archivo· Hasta 20 archivos· Se borran a los 30 minutos
Los archivos se procesan en nuestros servidores y se borran a los 30 minutos.
Los PDF escaneados son imágenes de páginas. Automático aplica OCR solo a las páginas sin capa de texto; Siempre lo fuerza en todas las páginas.
El idioma impreso en el escaneo. Elegir el correcto mejora notablemente la precisión con acentos y alfabetos no latinos.
Texto fluido se reorganiza en párrafos normales fáciles de editar. Diseño exacto coloca cada bloque donde estaba: se ve idéntico, pero cuesta más editarlo.
Dónde se colocan las tablas detectadas en el libro.
Números de página o rangos separados por comas, por ejemplo 1-3, 5, 8-10.
Cómo usar esta herramienta
- 1
Suba el PDF
Suba un solo PDF o un conjunto de hasta 20, de hasta 95 MB cada uno. Los archivos que mezclan páginas escritas y escaneadas se procesan página por página.
- 2
Acote el contenido si lo desea
Texto sin formato ya está seleccionado en Convertir a. Use Páginas a convertir en Opciones avanzadas para extraer solo el capítulo o el anexo que necesita.
- 3
Descargue el .txt
Pulse Convertir a Texto sin formato. El archivo está codificado en UTF-8, así que las tildes, la ñ y las escrituras no latinas se ven bien en cualquier editor moderno.
¿Cuál es la forma más limpia de extraer el texto de un PDF?
Convertirlo en un archivo .txt de texto plano. Obtiene cada palabra en orden de lectura, con los párrafos separados por líneas en blanco y nada más, listo para cualquier editor o programa.
Qué conserva y qué descarta la extracción de texto de PDF
El convertidor recorre cada página en orden de lectura, de arriba abajo y columna por columna, y escribe los caracteres que encuentra. Las líneas que pertenecen a un mismo párrafo se unen, y los párrafos se separan con una línea en blanco. El texto de cada página sigue al de la anterior, así que un capítulo se lee como un pasaje continuo.
Todo lo visual se descarta: fuentes, tamaños, colores, imágenes, gráficos y la posición del texto en la página. Ese es el objetivo. Un informe de 10 MB lleno de fotos suele quedar en un archivo de texto de unos cientos de kilobytes, más fácil de buscar, de comparar entre versiones con una herramienta diff o de pegar en una herramienta de traducción o de análisis.
Quien usa la línea de comandos quizá conozca pdftotext, de los proyectos Poppler y Xpdf, que hace un trabajo parecido con PDF digitales. La diferencia aquí es el OCR: las páginas sin capa de texto se reconocen en el idioma que elija en lugar de salir en blanco. Para imágenes que no son PDF, use imagen a texto.
Texto plano, Markdown o Word: elija la salida adecuada
Texto plano
Solo palabras, en UTF-8.
- El archivo más liviano
- Se abre en cualquier programa
- Sin títulos ni formato
Markdown
Texto con marcado ligero.
- Títulos marcados con #
- Conserva listas y negritas
- Sigue siendo un archivo de texto
Documento de Word
Diseño editable completo.
- Conserva tablas e imágenes
- Mantiene los estilos
- Requiere un procesador de textos
Por qué el archivo de texto pesa tan poco
1 bytepor cada letra sin tilde, dígito o espacio en un archivo de texto UTF-8
Portable Document Format
PDF fue creado por Adobe en 1993 y se convirtió en el estándar abierto ISO 32000 en 2008. Fija el texto, las fuentes, las imágenes y el diseño para que un documento se vea igual en cualquier pantalla e impresora. Los PDF pueden contener formularios, firmas, enlaces, archivos adjuntos y texto con búsqueda, y la variante PDF/A se usa para el archivo a largo plazo. El diseño fijo hace que los PDF sean difíciles de editar, y los PDF escaneados solo contienen imágenes a menos que se aplique OCR. Todos los navegadores y sistemas operativos pueden abrirlos.
- Compresión
- –
- Transparencia
- Sí
- Animación
- No
- Presentado en
- 1993 · Adobe
TXT
Texto plano
Un archivo TXT contiene solo caracteres simples, sin formato, fuentes, imágenes ni diseño. Los archivos de texto modernos suelen estar codificados en UTF-8, que abarca todos los idiomas, aunque los archivos antiguos pueden usar otras codificaciones y mostrar caracteres ilegibles. El texto plano ocupa muy poco, nunca queda obsoleto y se abre en cualquier dispositivo, desde teléfonos hasta servidores. No puede contener negritas, tablas ni imágenes, por lo que la estructura debe expresarse con espacios o con marcado sencillo.
- Compresión
- –
- Transparencia
- –
- Animación
- –
- Presentado en
- –
Se saca el texto plano de un PDF cuando solo importan las palabras, para buscar, citar, traducir, limpiar datos o alimentar otro programa, y el diseño solo estorba.
Preguntas frecuentes sobre extraer texto de PDF
¿Por qué no basta con copiar y pegar el texto del PDF?
Sirve para un párrafo o dos, pero copiar desde un visor de PDF suele cortar palabras al final de las líneas, mezclar columnas, meter encabezados de página en medio de las frases y no hace nada en las páginas escaneadas. La extracción lee todo el archivo en orden de lectura y aplica OCR donde no hay capa de texto.
¿Qué codificación tiene el texto extraído del PDF?
UTF-8, la codificación predeterminada de la web y de la mayoría de los programas. El Bloc de notas de Windows guarda los archivos nuevos en UTF-8 de forma predeterminada desde Windows 10 versión 1903, y TextEdit de macOS, VS Code y todos los navegadores lo leen sin preguntar. Si un programa antiguo muestra caracteres extraños, busque una opción de importación que permita elegir UTF-8.
¿Extraer texto de PDF es lo mismo que la herramienta PDF a TXT?
El resultado es idéntico: un archivo .txt. Esta página se centra en sacar el texto para reutilizarlo; PDF a TXT es la misma conversión con el nombre de la extensión, que también se busca mucho.
¿Qué pasa con las tablas al extraer el texto de un PDF?
Las celdas se escriben en orden de lectura, separadas por tabulaciones, así que una tabla se pega bastante bien en una hoja de cálculo. Si las tablas son el motivo de la conversión, PDF a Excel mantiene filas y columnas en celdas reales.
¿Puedo obtener el texto del PDF con los títulos marcados?
El texto sin formato no tiene manera de marcar un título. Elija Markdown en Convertir a si quiere que los títulos, las listas y las negritas queden marcados con símbolos sencillos sin dejar de ser un archivo de texto.
¿Extraer texto de un PDF escaneado funciona con letra manuscrita?
El OCR está hecho para texto impreso. Las mayúsculas de imprenta bien trazadas suelen leerse, pero la letra cursiva no es fiable. Los escaneos de texto mecanografiado o impreso a 300 dpi dan los mejores resultados.
| PDF a Markdown | PDF a Word | PDF a EPUB |
| TXT a PDF | Imagen a texto | HTML a TXT |
