Extraer texto de PDF
Extrae el texto seleccionable de tu PDF, página por página
Haz clic o arrastra un PDF aquíElige un PDF
Acerca de Extraer texto de PDF
Extraer texto de PDF lee la capa de texto de un PDF, es decir, el texto que podrías seleccionar en un visor, y te lo devuelve como texto sin formato, con los saltos de línea y los espacios reconstruidos a partir de las posiciones en la página. Toma todas las páginas o solo las que indiques, con o sin un encabezado que nombre cada página, y luego copia el texto o guárdalo como archivo .txt. No lee imágenes: una página escaneada no tiene capa de texto, y la herramienta sugiere entonces OCR PDF. El archivo se lee en tu navegador con PDF.js.
Cómo extraer texto de un PDF
- 1Elige el PDF.
- 2Si quieres, indica páginas en «Páginas (vacío: todas)» y desmarca la casilla del encabezado de página para obtener solo el texto.
- 3Haz clic en «Extraer texto».
- 4Copia el resultado con «Copiar», o haz clic en «Descargar» para guardarlo como archivo .txt con el nombre de tu PDF.
Formatos y límites
- Entrada
- PDF con capa de texto
- Resultado
- Texto sin formato en la página y un archivo .txt en UTF-8
- Páginas
- Todas, o una lista como 1-3, 5, 8-
- Páginas escaneadas
- Sin texto que leer; usa OCR PDF
Dónde se procesa tu archivo
PDF.js lee tu archivo dentro del navegador, y no se suben ni el PDF ni el texto extraído. Si la extracción falla, se nos informa del mensaje de error depurado con el nombre de la herramienta, el tipo de archivo, un tamaño aproximado y el nombre y la versión de tu navegador, nunca el nombre del archivo ni ningún texto. En archivos de hasta 25 MB, los acentos dibujados como glifos separados se reparan en la copia que se entrega a PDF.js, nunca en tu archivo.
Preguntas frecuentes
¿Puedo extraer texto de un PDF escaneado?
No. Un escaneo guarda cada página como una imagen, así que no hay capa de texto que leer. Cuando ninguna página tiene texto, la herramienta lo indica y sugiere OCR PDF, que reconoce las letras de las imágenes y también puede darte un PDF con texto buscable.
¿Las páginas de varias columnas salen en el orden correcto?
No, no siempre. Los saltos de línea y los espacios se reconstruyen a partir de las posiciones del texto, pero el orden es el orden en que el PDF guarda su texto. Cuando un PDF guarda sus columnas intercaladas, en el resultado se alternan líneas de columnas distintas.
¿Puedo obtener el texto sin los encabezados de página?
Sí. Desmarca la casilla del encabezado de página, encima del botón, y las páginas quedan separadas solo por una línea en blanco. Déjala marcada cuando necesites saber de qué página viene cada pasaje.
Consejos y trucos
- ✓En un archivo que mezcla páginas mecanografiadas y escaneadas, OCR PDF lee ambas y deja sin una segunda capa las páginas que ya tienen texto.