Cómo usar PDF a texto
- 1
Abre el PDF
Suelta un PDF de hasta 50 MB en el cuadro o haz clic para elegir uno. Si el archivo está protegido con contraseña, primero te la pedirá.
- 2
Elige el formato del texto
Párrafos ofrece un texto continuo y limpio para leer o pegar; Diseño de página conserva cada línea impresa y alinea con espacios las columnas de las tablas.
- 3
Elige páginas y OCR
Extrae todas las páginas o un intervalo como 2-5, 9. Activa el OCR y elige el idioma si algunas páginas son escaneos sin capa de texto.
- 4
Copia o descarga
Pulsa Extraer texto, revisa el resultado en el cuadro y cópialo al portapapeles o guárdalo como un archivo .txt en UTF-8.
Límites y Pro
Un PDF de hasta 50 MB y hasta 200 páginas por extracción, OCR incluido.
Pro abre PDF de hasta 4 GB y lee hasta 5000 páginas de una vez. Ver Pro
Acerca de PDF a texto
Esta herramienta lee la capa de texto que llevan la mayoría de los PDF, los mismos caracteres que podrías seleccionar en un visor de PDF, y los devuelve en el orden en que los leería una persona. Si copias directamente desde un visor, a menudo se mezclan línea a línea las dos columnas de un artículo, cada frase se corta al final de la línea impresa y quedan guiones en mitad de las palabras. Aquí, primero se separan las páginas en columnas y bloques, las líneas cortadas se unen en párrafos, se recompone la palabra dividida con guion entre dos líneas, las viñetas y los números se mantienen al principio de los elementos de lista y las tablas salen como filas con un tabulador entre celdas, para que se peguen bien en una hoja de cálculo. Se omite el número de página suelto en el margen superior o inferior, igual que el texto girado o vertical, como una marca de agua diagonal de «BORRADOR».
El modo Diseño de página hace lo contrario: mantiene cada línea exactamente donde se imprimió y usa espacios para sostener en su sitio las columnas de un formulario, una factura o un extracto bancario.
Las páginas escaneadas no tienen capa de texto, solo una imagen del papel. Cuando el OCR está activado, únicamente esas páginas las lee el motor Tesseract en tu navegador, en uno de 47 idiomas. Los usos típicos son citar un informe, pasar un contrato a un traductor o a un contador de palabras y sacar cifras de un extracto. Las fuentes, los colores, las imágenes y los enlaces no forman parte del resultado; para conservarlos, convierte el PDF a Word.
Privacidad
PDF.js analiza el documento en un Web Worker de tu dispositivo y un segundo worker ordena las líneas en párrafos; el PDF y su texto nunca se suben. Solo si activas el OCR, la página descarga una vez el motor Tesseract y un archivo de idioma desde la CDN de jsDelivr, y esas descargas no llevan nada de tu documento.
Características
Columnas en orden
Los diseños de dos y tres columnas se leen una columna tras otra, no línea a línea a lo ancho de la página.
Párrafos de verdad
Las líneas cortadas se unen y las palabras divididas con guion al final de línea se recomponen.
Tablas que puedes pegar
Las filas de las tablas salen separadas por tabuladores, listas para una hoja de cálculo, o alineadas con espacios en Diseño de página.
OCR para escaneos
Las páginas sin capa de texto se pueden leer con Tesseract en 47 idiomas, en tu dispositivo.