Extraer texto de un PDF

Cómo funciona

Elige un PDF y verás el texto de cada página por separado, con un botón para copiar cada una o todas. Con el botón de crear descargas un archivo .txt en UTF-8, con o sin una línea que marque el principio de cada página. Puedes limitarlo a unas páginas (por ejemplo 1-3, 5).

Solo se extrae el texto que el PDF lleva dentro como texto. Si el PDF es un escaneo o una foto de un documento, cada página es una imagen y no hay texto que sacar: en ese caso la herramienta te lo dice y te lleva a «OCR PDF», que reconoce el texto de las imágenes.

Puedes elegir si se incluye el texto de los campos de formulario y de las anotaciones, y unir las palabras partidas con guion al final de línea. Las posiciones de cada palabra no se muestran: aquí solo hay texto plano.

Qué no se conserva y límites

• El orden de lectura es una estimación: el texto de un PDF no dice en qué orden se lee, así que se ordena por líneas y bloques, de arriba abajo y de izquierda a derecha. En PDF con varias columnas, tablas, pies de página o texto en recuadros puede salir en otro orden o mezclado.
• Un PDF escaneado, sin capa de texto, no da texto. Algunas fuentes mal definidas dan caracteres equivocados o ausentes al copiar, como también ocurre en un lector de PDF.
• Se pierde el formato: no se conservan negritas, tamaños, tablas, imágenes ni la posición del texto. Las tablas salen como líneas de texto, no como celdas.
• El texto de otros alfabetos (árabe, hebreo, escrituras indias…) se extrae como lo guarda el PDF, que puede no estar en el orden lógico; no se hace ningún reordenado de derecha a izquierda.
• Los PDF protegidos con contraseña se pueden procesar: la web te la pide y solo se usa en tu navegador, sin guardarla ni enviarla. El resultado se guarda sin contraseña. Los protegidos con certificado digital, en vez de contraseña, no se pueden abrir.
• Los archivos muy grandes (más de unos 100-150 MB en total, o con miles de páginas) pueden fallar, sobre todo en móviles, porque todo se hace en la memoria de tu dispositivo.