Saca el texto de un PDF
Citas de un informe, una cláusula de un contrato para un correo, una tabla que debe llegar a una hoja de cálculo: al seleccionar texto en un visor de PDF suelen colarse saltos de línea raros y números de página. Esta página lee el texto guardado en el PDF, página por página, y lo pone en un cuadro que puedes copiar o guardar como .txt. El PDF se lee en tu navegador y nunca se sube.
Extraer texto de un PDF en cinco pasos
- Suelta el PDF en la zona de arrastre o haz clic en ella para elegir el archivo. La primera vez se carga el lector de páginas, de medio megabyte aproximadamente.
- Escribe las páginas que quieres, por ejemplo
1-3, 7, o deja el campo vacío para leerlas todas. - Elige cómo tratar las líneas: dejarlas como están en el PDF o unirlas en párrafos para texto corrido. Activa las marcas de página si quieres ver dónde empieza cada una.
- Pulsa Extraer texto. Una línea de progreso indica la página que se lee, y Cancelar detiene el proceso.
- Copia el texto o descárgalo como .txt. Cambiar la opción de líneas o las marcas actualiza el resultado al instante, sin leer el PDF de nuevo.
Escaneos y lo que la herramienta no puede leer
La herramienta lee el texto guardado en el PDF. Una página escaneada es solo una imagen, así que no da nada, y el resultado dice cuántas páginas no tenían texto. El reconocimiento de caracteres (OCR) necesita modelos grandes, que romperían el tamaño reducido de este sitio; pasa antes el escaneo por un programa de OCR. Los PDF creados con Word, desde una página web o con la exportación de una aplicación suelen llevar texto real.
Orden de lectura, columnas y tablas
Un PDF guarda fragmentos de texto colocados, no párrafos. La herramienta une los fragmentos de una misma línea base, añade un espacio donde el hueco es suficiente y convierte un salto vertical mayor en una línea en blanco. Las columnas, tablas, encabezados, pies y notas pueden salir en un orden distinto del que ves en la página. Un guion al final de línea se queda donde está.
Tamaño y privacidad
Un PDF puede tener hasta 100 MB. Un PDF cifrado pide su contraseña, que solo se usa en memoria. El lector de páginas es pdf.js, servido desde este sitio, y ninguna petición lleva el contenido de tu documento.