Cómo extraer el texto de un PDF
- Arrastra un PDF a la zona de carga de arriba o haz clic para seleccionarlo.
- Haz clic en Extraer texto. Se lee el texto de todas las páginas en orden y se muestra en un cuadro de vista previa, con un marcador como
--- Página 2 ---al principio de cada página. - Copia el texto del cuadro de vista previa o descárgalo como archivo de texto plano
.txt(UTF-8).
La extracción la hace pdf.js, el mismo motor que usa el visor de PDF integrado de Firefox, y se ejecuta en la pestaña de tu navegador. El documento no se sube, así que puedes sacar sin riesgo el texto de contratos, artículos de investigación o extractos bancarios.
Cómo funciona la extracción de texto de un PDF
Dentro de un PDF, cada página tiene un flujo de contenido (content stream): una lista de instrucciones de dibujo como "usa la fuente F1 a 11 puntos, ve a la posición (72, 700), muestra estos caracteres". Por eso el texto se guarda como fragmentos situados en posiciones concretas: a veces una línea entera, a veces una sola palabra o incluso letras sueltas.
Para convertir eso de nuevo en texto legible, el extractor:
- decodifica cada fragmento desde los códigos de carácter internos de la fuente a Unicode, usando las tablas de correspondencia incrustadas en el PDF;
- ordena los fragmentos según su posición en la página;
- inserta espacios y saltos de línea donde los huecos entre fragmentos indican palabras y líneas nuevas.
Como el PDF no tiene una noción explícita de párrafos ni de orden de lectura, el resultado es texto plano con saltos de línea, no párrafos con formato. En la mayoría de los documentos (cartas, informes, libros, artículos) el resultado se lee con naturalidad.
Limitaciones
| Situación | Lo que verás |
|---|---|
| Páginas escaneadas o fotografiadas | Ningún texto: la página es una imagen y no se ofrece OCR |
| Diseños de varias columnas | Las columnas pueden mezclarse línea a línea |
| Tablas | Los valores de las celdas en líneas, sin cuadrícula |
| Fuentes sin correspondencia Unicode | Caracteres ilegibles o que faltan |
| PDF protegido con contraseña / cifrado | El archivo no se puede abrir |
Una prueba rápida te dice qué esperar: abre el PDF en cualquier visor e intenta seleccionar una frase. Si puedes resaltarla y copiarla, el texto se puede extraer. Si toda la página se resalta como un solo bloque, o no se resalta nada, es una imagen.
Consejos
- ¿Quieres conservar los títulos y los párrafos en lugar de líneas sueltas? Usa PDF a Word en modo de texto editable.
- Para cifras organizadas en tablas, PDF a Excel coloca los valores en filas y columnas.
- El texto plano es ideal para índices de búsqueda, herramientas de traducción, recuentos de palabras, resumidores con IA y software de accesibilidad, porque no contiene formato que haya que eliminar.
Preguntas frecuentes
¿Por qué me sale el mensaje "No se encontró texto"?
El PDF contiene imágenes de texto en lugar de texto real, algo típico de los documentos escaneados. En esos archivos, el texto solo se puede recuperar con un software de OCR.
¿Por qué algunos caracteres se sustituyen por símbolos extraños?
Algunos PDF incrustan fuentes con códigos de carácter personalizados y sin correspondencia Unicode. El visor puede dibujar las formas, pero no hay una forma fiable de saber qué letras representan.
¿Se conserva el formato, como la negrita o el tamaño de letra?
No. El resultado es texto plano UTF-8. Cada línea de la página se convierte en una línea de texto, pero no se conservan las fuentes, los colores ni las imágenes.
¿Puedo extraer el texto solo de algunas páginas?
La herramienta extrae el documento completo. Para limitarlo, guarda primero las páginas que necesitas en un archivo aparte con Dividir PDF.
Actualizado