Extraer texto de un PDF: cualquier PDF a texto sin formato

Dos tipos de PDF, dos problemas distintos

Un PDF puede guardar el texto de dos maneras, y casi todo lo que puede salir mal al extraerlo depende de cuál de las dos es.

Los archivos de Word, Google Docs o cualquier programa de diseño guardan las letras dentro del propio archivo. Sacar ese texto es inmediato, porque ya está ahí.

Un escaneo o una foto solo contiene una imagen del texto. Antes de poder extraer las letras hay que reconocerlas en la imagen, y eso es lo que hace el OCR (reconocimiento óptico de caracteres).

Con escaneos e imágenes tarda un poco más, y el resultado es muy preciso, pero no perfecto. Preferimos decirlo así que inventar cifras.

Cómo copiar el texto de un PDF escaneado

Si tu visor de PDF no te deja seleccionar ni copiar nada, es un escaneo. Súbelo aquí y este lector de OCR online te devuelve el texto listo para copiar, buscar y editar.

Suele ayudar elegir el idioma. La detección automática funciona bien en la mayoría de las páginas, pero si eliges tú inglés, urdu, árabe, chino o cualquiera de los 39 idiomas, el resultado mejora bastante en documentos mezclados o con escrituras no latinas.

• Escanea a 300 DPI o más; con menos se pierde detalle y el OCR acierta menos.
• Endereza las páginas torcidas antes de subirlas. Hasta unos pocos grados de inclinación empeoran el resultado.
• Los escaneos planos dan mejor resultado que las fotos tomadas en ángulo.
• Una luz buena y pareja importa más de lo que parece: una sombra sobre la página hace que las letras se lean peor.

Por último, ¿quieres que el propio PDF se pueda buscar y se vea exactamente igual que ahora? Eso es otra cosa: OCR para PDF añade una capa de texto oculta al PDF en lugar de darte un archivo de texto aparte.

Cuando el texto sale desordenado

Los artículos académicos, las revistas y los periódicos van a columnas. Un convertidor que lee de lado a lado de la página mezcla las columnas, y el resultado no tiene sentido.

Este convertidor de PDF a texto reconoce las páginas a dos columnas y lee cada columna de arriba abajo antes de pasar a la siguiente.

• Mantener los saltos de línea corta las líneas donde las corta la página. Las columnas se siguen leyendo una a una.
• Unir en párrafos junta las líneas que solo se cortaron por el ancho de la página. Lo mejor para pegar en un documento o en un correo.
• Conservar el diseño deja las palabras en su lugar en la página, para que las columnas y las tablas queden alineadas en una fuente monoespaciada.
• Un solo bloque de texto pone todo en una sola línea, para pegarlo en un formulario o en una celda de una hoja de cálculo.

Algunos PDF usan fuentes cuyas letras no son caracteres reales, así que al copiar sale un sinsentido. Esas páginas se reconocen y se leen con OCR. También puedes forzarlo en todo el documento con Volver a leer todas las páginas con OCR.

TXT, Word, Markdown, página web o JSON

• Un archivo de texto sin formato (.txt) son las palabras y nada más. Es la conversión estándar de PDF a TXT, para pegarlo en otro sitio o pasarlo a otro programa.
• Un archivo Word (.docx) se abre en Word o Google Docs, con las tablas como tablas y una página nueva donde el PDF original tenía una.
• Un archivo Markdown (.md) conserva los títulos y las tablas con la sintaxis de Markdown, fácil de usar en apps de notas, wikis o para desarrolladores.
• Un archivo de página web (.html) lleva etiquetas estructuradas que puedes ver en cualquier navegador.
• Un archivo JSON describe cada página, con sus líneas, posiciones, confianza del OCR, tablas y enlaces.

¿Necesitas el diseño exacto de la página además de las palabras? Convierte de PDF a Word para conservarlo. ¿Necesitas las tablas en una hoja de cálculo? Prueba nuestra conversión de PDF a Excel.

Tablas, encabezados y números de página

Las tablas se convierten en filas y columnas, no en párrafos de texto. En la versión de texto sin formato van separadas por tabulaciones, y en Word, Markdown y HTML aparecen como tablas.

Quitar encabezados y números de página elimina el encabezado repetido y el número de página que aparecen arriba o abajo de cada página del PDF. Así el texto fluye como un solo documento, sin cortes de página cada pocos párrafos.

Unir palabras cortadas entre líneas vuelve a unir las palabras que se partieron con un guion al final de una línea. En lugar de "docu-mento" verás "documento". Marcar dónde empieza cada página pone una pequeña marca al principio de cada página, para que puedas seguir fácilmente el PDF original.

PDF bloqueados y confidenciales

Para un PDF protegido con contraseña, escríbela en la casilla Contraseña del documento. Se usa para abrir el archivo y nunca se guarda.

Para un PDF que no debe salir de tu dispositivo, abre Extraer en este dispositivo. Tu navegador lee el texto por sí mismo, no se sube nada y no se usan créditos.

Ese modo solo lee la capa de texto, así que sirve para contratos, estados de cuenta y cartas hechos en una computadora. Una página escaneada no tiene capa de texto que leer, así que los escaneos necesitan el convertidor normal, que usa OCR. El modo en el dispositivo también puede ser más lento con documentos largos, porque usa tu propia computadora en lugar de la nuestra.

Revisa el resultado antes de descargarlo

El texto se abre en un editor en la misma página. Salta a cualquier página, corrige una palabra, une líneas en párrafos, cambia mayúsculas y minúsculas, cópialo o escúchalo en voz alta.

Las palabras de las que el OCR no estaba seguro quedan resaltadas, para que sepas qué revisar. Los enlaces del PDF aparecen junto al resultado. ¿No te convence? Vuelve a leer el mismo archivo con otro diseño, idioma o formato, gratis, hasta 5 veces mientras siga en nuestros servidores.

Traduce el texto extraído

También puedes traducir automáticamente el resultado al inglés, urdu, árabe, español, francés o a otros siete idiomas mientras se extrae. Viene bien para entender rápido un documento en otro idioma.

Es traducción automática, así que revisa lo que sea importante. Se traducen hasta 120 000 caracteres a la vez, así que para un informe largo elige un rango de páginas y tradúcelo por partes.

Sí. Tus archivos se eliminan de nuestros servidores una hora después de procesarlos, de forma automática.

No se guarda nada pasada esa hora. Ninguna persona lo lee. No se usa para entrenar nada. Cada subida y descarga va por HTTPS, así que tu archivo viaja cifrado en los dos sentidos.

Si hasta eso te parece demasiado, usa Extraer en este dispositivo. El PDF se queda en tu navegador y nunca llega a nuestros servidores.

Tus resultados recientes se guardan en tu propio navegador, nunca en nuestros servidores, y puedes borrarlos cuando quieras.