Por qué extraer el texto de un PDF
Copiar texto desde un lector de PDF suele salir mal: las líneas se cortan a mitad de frase, las columnas se mezclan y seleccionar 50 páginas a mano es agotador. Esta herramienta lee el texto de todo el documento de una vez y te entrega texto limpio y sin formato. Úsala para pegar un documento en un correo o en un traductor, citar un informe, pasar texto a otro programa, contar palabras o conservar una copia del documento en texto con la que se pueda buscar.
Tres modos de texto
- Líneas: el texto línea por línea, tal como aparece en la página. Ideal para listas, direcciones y documentos cortos.
- Párrafos: las líneas que van juntas se unen en párrafos y, cuando es posible, se recomponen las palabras divididas con guion al final de la línea. Lo mejor para artículos, libros e informes que quieras pegar en un procesador de texto o en un traductor.
- Diseño: se añaden espacios para mantener la posición del texto en la página, de modo que tablas y columnas queden más o menos alineadas con una fuente monoespaciada. Útil para facturas, extractos y formularios.
La vista previa se actualiza al cambiar de modo y muestra el número de caracteres y de palabras.
Opciones del archivo
- Separador de páginas: una línea marcadora como ----- Página 3 -----, una línea en blanco o un carácter de salto de página que algunos programas usan para separar páginas.
- Saltos de línea: Windows (CRLF) para el Bloc de notas y la mayoría de los programas de Windows, o Unix (LF) para macOS, Linux y editores de código.
- BOM: añade una marca al inicio del archivo que ayuda a programas antiguos de Windows a reconocer texto UTF-8 en idiomas como el chino o el ruso.
- Un archivo por página: cada página se guarda en su propio archivo TXT, todos dentro de un ZIP.
PDF escaneados
Un PDF escaneado solo contiene imágenes de las páginas, así que no hay texto que extraer. La herramienta detecta las páginas sin texto y te avisa. Con un clic puedes enviar el documento a OCR PDF, que reconoce el texto y puede devolverlo directamente como archivo TXT. La extracción de texto se realiza en tu navegador y no sube tu archivo; el OCR se ejecuta en nuestro servidor.
Lo que el texto sin formato no puede conservar
El texto sin formato no incluye fuentes, negritas, imágenes ni tablas. Si necesitas conservar el formato, convierte el PDF a un documento editable con PDF a Word, o pasa las tablas a una hoja de cálculo con PDF a Excel. Algunos PDF guardan el texto con codificaciones de fuente poco habituales y entonces el texto extraído muestra caracteres incorrectos; en ese caso, el OCR suele dar mejor resultado.