Español
Cómo extraer texto de un PDF
Para extraer texto de un PDF, suelta el archivo en el recuadro de arriba. El texto aparece a la derecha en cuanto se leen las páginas, y puedes copiarlo o descargarlo como archivo .txt o Markdown. Todo ocurre en tu navegador, así que un contrato, un extracto bancario o un manuscrito inédito nunca se envía a un servidor.
- Añade un PDF o varios. Usa el botón de muestra si solo quieres ver qué hace la herramienta.
- Elige texto plano o Markdown, y decide si las líneas deben unirse en párrafos.
- Escribe un rango de páginas si solo necesitas una parte del archivo, por ejemplo 1-3, 5, 8-.
- Revisa el resultado en la vista del documento completo o página por página, y luego cópialo o descárgalo. Con varios archivos, Descargar todo (.zip) da un archivo de texto por cada PDF.
Los recuentos de palabras y caracteres que aparecen sobre el texto corresponden a las páginas que has seleccionado, lo que resulta práctico para contar rápidamente un informe largo sin abrir un procesador de textos.
Por qué el texto copiado de un PDF parece roto
Un PDF no contiene párrafos. Contiene fragmentos de texto con coordenadas, dibujados en el orden que eligió el programa que creó el archivo. Si seleccionas y copias desde un lector de PDF, obtienes un salto de línea al final de cada línea impresa, palabras partidas a la mitad por guiones y, en un artículo de dos columnas, la primera línea de la columna izquierda seguida de la primera de la derecha.
Esta herramienta reconstruye la estructura a partir de las coordenadas:
| Problema al copiar | Lo que hace la herramienta | Opción |
|---|---|---|
| Un salto de línea después de cada línea impresa | Une las líneas de un párrafo y mantiene los espacios entre párrafos | Saltos de línea |
| trans- porte partido en dos líneas | Quita el guion y une la palabra | Corregir palabras partidas con guion |
| Columnas mezcladas | Lee la columna izquierda hasta abajo y después la siguiente | Leer las columnas una después de otra |
| Número de página y título en cada página | Elimina las líneas que se repiten en el margen superior o inferior | Quitar encabezados y pies de página repetidos |
| Una tabla convertida en un flujo de palabras | Conserva filas y columnas, separadas por tabuladores o como tabla de Markdown | Detectar tablas |
Una precaución con la corrección de guiones: une una continuación en minúscula con la palabra anterior, así que un compuesto real que casualmente se parte en un guion, como «franco-
alemán», se convierte en «francoalemán». Desmarca la opción en documentos con muchos compuestos.
¿Texto plano o Markdown?
El texto plano es la opción más segura para pegar en un correo, una app de notas o una herramienta de traducción. Markdown es mejor cuando el texto va a documentación, a una wiki o a una app de notas que lo entienda. La herramienta deduce los encabezados por el tamaño de letra: el tamaño de encabezado más grande pasa a #, el siguiente a ## y luego a ###. Las listas con viñetas y numeradas conservan sus marcadores, y las tablas se convierten en tablas de Markdown. Un PDF que usa un solo tamaño de letra para todo simplemente no tiene encabezados que encontrar.
PDF escaneados y OCR
Un escaneo es una foto de una página, así que no hay texto que extraer. Cuando una página no tiene capa de texto, aparece un cuadro de OCR donde eliges el idioma y lees las páginas. El motor OCR (Tesseract) funciona en tu navegador. El motor y los datos del idioma se descargan la primera vez que lo usas (unos pocos megabytes, más para algunos idiomas), y tus páginas siguen sin subirse.
- Un escaneo limpio a 300 ppp da buenos resultados. Una foto de teléfono tomada en diagonal, con sombras, da resultados notablemente peores.
- Elige el idioma correcto. Con OCR en inglés, una página en español pierde todas las tildes.
- Las tablas y los diseños de varias columnas son menos fiables con OCR que con texto real. Revisa sobre todo los números.
Lo que no puede hacer
El texto que forma parte de una imagen, un gráfico o un dibujo no es texto del PDF y se omite, a menos que apliques OCR a la página. Los diseños complejos con cuadros flotantes, columnas laterales o texto alrededor de imágenes pueden leerse en un orden incorrecto, y la vista página por página es la forma más rápida de detectarlos. Los PDF hechos con una codificación de fuentes dañada pueden dar letras ilegibles, que verás en el resultado antes de descargar nada. El texto dibujado de lado se omite. Los archivos de más de 150 MB se rechazan para que la pestaña no se quede sin memoria.
Preguntas frecuentes
¿Cómo extraigo el texto de un PDF sin subirlo?
Suelta el PDF en esta página y el texto aparece a la derecha un momento después, listo para copiar o descargar como .txt. Tu navegador lee el archivo, así que nada sale de tu teléfono ni de tu ordenador. Un PDF de texto de 20 páginas tarda unos segundos.
¿Por qué el texto copiado de un PDF tiene saltos de línea rotos y espacios raros?
Un PDF no guarda párrafos, sino fragmentos de texto colocados en la página con sus coordenadas. Esta herramienta vuelve a ponerlos en orden de lectura, une las líneas de cada párrafo y arregla las palabras partidas con un guion al final de la línea, así que el resultado se pega limpio en un documento. Si necesitas las líneas exactamente como se imprimieron, cambia Saltos de línea a Mantener los saltos de línea.
¿Puede leer PDF con dos o tres columnas en el orden correcto?
En la mayoría de los casos, sí. La herramienta busca un espacio vertical claro y lee cada columna de arriba abajo antes de pasar a la siguiente, mientras que un título a todo el ancho por encima de las columnas se queda arriba. Las páginas de revista con texto alrededor de imágenes, columnas laterales o recuadros irregulares todavía pueden salir en un orden incorrecto, así que revisa esas páginas en la vista página por página.
¿Cómo extraigo el texto de un PDF escaneado?
Usa el cuadro de OCR que aparece cuando una página no tiene capa de texto. Elige el idioma del documento y pulsa Leer páginas con OCR. El motor funciona en tu navegador, y la primera vez se descargan los datos del idioma. Un escaneo limpio a 300 ppp se lee bien; una foto de teléfono torcida, mucho peor, así que revisa el resultado.
¿Puedo obtener el texto en Markdown con encabezados?
Sí. Elige Markdown (.md) y el texto más grande se convierte en encabezados: el tamaño mayor pasa a #, el siguiente a ## y luego a ###. Las listas con viñetas y numeradas conservan sus marcadores, y las tablas se convierten en tablas de Markdown. Los encabezados se deducen del tamaño de letra, así que un PDF con un único tamaño en todo el texto no tendrá ninguno.
¿Cómo quito encabezados, pies de página y números de página del texto extraído?
Deja marcada la opción Quitar encabezados, pies de página y números de página repetidos. Se eliminan las líneas del margen superior o inferior que se repiten en al menos la mitad de las páginas, y los números de página sueltos. Un título que aparece solo en una página se conserva. Desmarca la opción si estás quitando un pie que necesitas.
¿Puedo extraer texto solo de algunas páginas o de muchos PDF a la vez?
Escribe páginas como 1-3, 5, 8- en el cuadro Páginas y solo se leerán esas. También puedes añadir varios PDF y descargar un archivo de texto por cada uno en un único .zip. Las mismas opciones y el mismo rango de páginas se aplican a todos los archivos.
¿Hay un límite de tamaño para el PDF?
Se pueden abrir PDF de hasta 150 MB y se leen hasta 3,000 páginas a la vez. Las páginas se procesan una a una con una barra de progreso y un botón de Cancelar, así que un archivo de 200 páginas no congela la pestaña. Los PDF protegidos con contraseña piden la contraseña, y la usan solo para abrir el archivo en tu dispositivo.