Cómo extraer texto de un PDF

Sacar el texto de un PDF

Un PDF guarda su texto en una capa que no puedes ver. Cuando el PDF se hizo a partir de un procesador de textos, el texto se guarda como caracteres — los mismos caracteres que escribiste. Extraer ese texto significa leer la capa y escribirla como un archivo .txt plano: sin diseño, sin formato, solo las palabras, en orden. Eso es útil siempre que las palabras sean lo que necesitas — para buscar en un documento largo, para citar un párrafo, para pasar el texto a otra herramienta.

Esta herramienta lee la capa de texto de cada página y la combina en un solo archivo .txt, con marcadores de página entre las páginas para que puedas saber dónde termina una página y empieza la siguiente. El resultado se abre en cualquier editor de texto, en cualquier dispositivo, y es pequeño — un informe entero se convierte en unos pocos kilobytes de texto. Puedes extraer hasta 20 archivos a la vez, 100 MB en total, y descargar todos los archivos de texto juntos en un ZIP. Como el texto viene de la capa que el PDF ya guarda, la extracción es rápida y exacta: lo que obtienes es el texto que el propio documento contiene.

El límite honesto es que el texto es todo lo que obtienes. El diseño no sobrevive — las columnas se juntan, las tablas pierden su forma, las negritas y cursivas desaparecen y las imágenes no se incluyen. Si necesitas que el documento se vea igual, guarda el PDF; el archivo .txt es para leer, buscar y reutilizar las palabras. Y un PDF escaneado no tiene capa de texto en absoluto, así que no hay nada que extraer. La herramienta lo dice con honestidad en lugar de darte un archivo vacío. Para un escaneo, usa primero la herramienta OCR PDF — lee las letras de la imagen y te da el texto.

Algunos consejos prácticos. Si el texto extraído parece desordenado — palabras en el orden equivocado, o una tabla leída como una larga línea — así es como se guardó la capa de texto, y ningún extractor puede arreglarlo; el PDF en sí se construyó así. Si solo necesitas un capítulo, extrae todo el archivo y busca en el archivo .txt el título del capítulo — un editor de texto lo encuentra en un segundo. Y si el texto que necesitas está en una página escaneada dentro de un PDF por lo demás normal, extrae lo que puedas y luego pasa solo esa página por OCR.

También ayuda saber qué tipo de PDF da un texto limpio. Un PDF hecho a partir de un procesador de textos o de un programa de maquetación normalmente se extrae muy bien, porque la capa de texto se escribió en orden de lectura. Un PDF hecho a partir de una imagen escaneada no tiene capa en absoluto, y un PDF hecho por un programa que guarda el texto en orden visual — de derecha a izquierda, o columna por columna — se extraerá en ese orden, y ningún extractor puede corregirlo. Si el texto extraído parece incorrecto, abre el PDF y mira la página: si la página en sí se ve bien pero el texto sale desordenado, la capa está mal guardada, y la única solución es el OCR. Y recuerda que el archivo .txt es texto plano: no tiene negritas, ni cursivas, ni enlaces, ni imágenes. Si necesitas citar un párrafo, el archivo .txt es perfecto; si necesitas mostrar una página, envía el PDF.

Una nota práctica más: el archivo de texto es pequeño, y eso es una ventaja. Un informe entero se convierte en unos pocos kilobytes que puedes buscar en un segundo, enviar por correo sin pensar en el tamaño o pegar en un cuadro de búsqueda. Guarda el archivo .txt junto al PDF con el mismo nombre — informe.txt junto a informe.pdf — para saber siempre qué texto pertenece a qué documento. Y si extraes de muchos archivos a la vez, descarga el ZIP y descomprímelo en la misma carpeta que los PDF; los nombres coinciden, así que nada se mezcla.

Todo se ejecuta en tu navegador. Tu PDF nunca se sube a un servidor, así que un documento privado se queda en tu dispositivo. No hay cuenta, no hay límite diario y no hay marca de agua. Abre la herramienta, suelta tu PDF y descarga el texto.

Cómo usar esta herramienta

1. 1Suelta un PDF en la página Extraer Texto de PDF — hasta 20 archivos, 100 MB en total.
2. 2Pulsa Extraer Texto y espera un momento.
3. 3Descarga el archivo .txt.
4. 4Ábrelo en cualquier editor de texto y comprueba que el texto que necesitas está ahí.
5. 5Si el archivo sale vacío o la herramienta dice que no hay texto, tu PDF es un escaneo — usa la herramienta OCR PDF.