PDF a texto

Sobre sacar el texto de un PDF

Un PDF creado a partir de un documento ya contiene su texto. Las letras están en el archivo; el lector solo las dibuja en el sitio correcto de la página.

Sacarlas debería ser fácil, y casi nunca lo es. Seleccionar todo en un lector te da encabezados, pies de página y números de página mezclados en medio de las frases. Copia una tabla y llega como una línea larguísima. Copia dos columnas y se entrelazan. Y en el móvil muchas veces no puedes seleccionar nada.

Esta herramienta le pide el texto directamente al PDF y te entrega el resultado en un cuadro que puedes editar, copiar o descargar como .txt.

Lee, no adivina

Esto no es OCR. El OCR mira una imagen de la página e intenta reconocer las formas como letras: útil, pero se equivoca, y el 1, la l y la I dan para toda una vida.

Aquí no hay nada que reconocer. Los caracteres ya están guardados en el PDF y salen exactamente como entraron. Sin letras mal leídas, sin porcentaje de confianza y sin esperas: un informe de 200 páginas se resuelve en un par de segundos.

Lo único que no puede hacer es leer un escaneo. Una página escaneada es una fotografía, sin texto alguno dentro. Cuando ocurre, la herramienta lo dice con claridad en vez de darte un cuadro vacío, y te señala el camino del OCR.

Elige las páginas

Deja el campo Páginas vacío para llevarte el documento entero, o indica lo que quieras:

• 5 — solo la página 5
• 1-3 — las tres primeras páginas
• 1-3, 5, 8-10 — mezcla intervalos y páginas sueltas

Viene bien cuando lo que necesitas es un capítulo de un informe largo, o cuando las dos primeras páginas son una portada y un índice que no quieres.

Saltos de línea: conservar o unir

Un PDF guarda dónde se dibujó cada línea, no dónde termina una frase. Por eso un párrafo llega como cinco líneas separadas, cortadas solo porque a la página se le acabó el ancho.

• Dejar las líneas tal como están: exactamente como estaba maquetada la página. Lo correcto para tablas, direcciones, poesía, código, listas y todo aquello donde la línea *es* el significado.
• Unir las líneas en párrafos: recompone una frase partida en una sola línea. Lo correcto para prosa que vas a pegar en un documento, un correo o un traductor.

La unión es prudente: una línea que cierra una frase, un título, una viñeta y un elemento numerado conservan su salto. Solo se une a la siguiente una línea que claramente se corta a mitad de frase.

Marcas de página

Marcar dónde empieza cada página pone una línea --- Página 7 --- entre páginas. Déjalo activado cuando necesites volver al original: citar un informe, revisar un contrato, referenciar una fuente. Desactívalo cuando quieras texto corrido limpio para pegar en otro sitio.

Nada sale de tu dispositivo

El PDF se abre y se lee dentro de tu navegador. No se sube, no entra en ninguna cola y no se guarda. Eso importa con los documentos para los que realmente hace falta esto: contratos, extractos, informes médicos, escritos legales, cualquier cosa bajo acuerdo de confidencialidad.

También significa que no hay límite de tamaño por subida, y que funciona sin conexión una vez cargada la página.

Para qué se usa

• Sacar una cita de un informe sin volver a teclearla
• Meter un documento en un traductor, un resumidor o un buscador
• Convertir un manual o una normativa en texto plano para buscar con Ctrl+F
• Extraer prosa de un libro o un artículo para editarla o estudiarla
• Llevar texto a un procesador de textos cuando copiar desde el lector llega destrozado
• Sacar contenido para una web de un folleto en PDF
• Hacer legible un documento para un lector de pantalla al que el PDF se le atraganta

Conviene saber

• Un PDF protegido con contraseña hay que desbloquearlo antes: usa Desbloquear PDF
• Un PDF que es un escaneo no tiene texto; usa PDF a JPG y luego Imagen a texto
• Columnas, tablas y notas al pie salen en el orden en que el PDF las guarda, que suele ser —pero no siempre— el orden de lectura. Revisa el resultado
• El cuadro de texto es editable, así que puedes limpiar el resultado antes de descargarlo
• La descarga es un .txt sencillo en UTF-8, así que las tildes, la ñ y los caracteres no latinos se conservan
• El formato (negrita, tamaño, color, imágenes) no se conserva. El texto plano es justamente el objetivo. Para un documento con formato usa PDF a Word

Cómo se usa

• Haz clic en Haz clic para subir o arrastra tu PDF al recuadro
• Deja Páginas vacío para todo el documento, o escribe las páginas que quieras
• Elige Dejar las líneas tal como están para tablas y listas, o Unir las líneas en párrafos para prosa
• Marca o desmarca Marcar dónde empieza cada página
• Pulsa Extraer texto, revisa el resultado y luego Copiar o Descargar .txt

Herramientas relacionadas

• PDF a Word — cuando necesitas el formato, no solo las palabras
• Imagen a texto — OCR, para escaneos y capturas
• PDF a JPG — pasar páginas escaneadas a imágenes para el OCR
• Desbloquear PDF — quitar antes la contraseña
• Buscar texto en archivos — rastrear una carpeta entera de una vez
• Contador de palabras — contar lo que has extraído
• Dividir PDF — sacar un intervalo de páginas como archivo propio