Extraer el texto de un PDF

Copiar texto de un PDF debería ser trivial y casi nunca lo es: el visor selecciona mal, se salta columnas, mezcla el encabezado con el cuerpo o directamente no deja seleccionar nada. Esta herramienta saca el texto entero del documento y te lo deja listo para copiar o descargar.

Un PDF no guarda párrafos

Aquí está el origen de casi todos los problemas. Un PDF no almacena un texto con sus líneas y sus párrafos, como haría un documento de Word: almacena trozos de texto con su posición exacta en la página. «Este fragmento va en estas coordenadas, con esta fuente y este tamaño.»

El formato fue diseñado para que una página se imprima igual en cualquier sitio, no para que se pueda leer con un programa. Reconstruir la lectura es un trabajo de reconstrucción: agrupar los trozos que están a la misma altura, ordenarlos de izquierda a derecha y decidir dónde termina un renglón.

Eso es lo que hace esta página, y por eso el resultado sale ordenado en lugar de como una lista de palabras sueltas. En documentos a dos columnas muy cerradas puede haber algún cruce: es el límite honesto de reconstruir algo que el formato no guardó.

El PDF escaneado: el caso que hay que reconocer

Si al soltar el documento aparece el aviso de que no lleva texto, no es un fallo. Ese PDF contiene la imagen de unas hojas y nada más: una fotografía dentro de un envoltorio PDF.

Es lo que produce cualquier escáner sin OCR activado, y también la aplicación de escaneo del móvil. Se reconoce a simple vista con una prueba de dos segundos: abre el PDF e intenta seleccionar una palabra con el ratón. Si no puedes, no hay texto.

Para sacar las letras de ahí hace falta reconocimiento óptico de caracteres, que analiza la imagen y adivina qué letra es cada mancha. Es otra tecnología, con sus propios errores, y no es lo que hace esta herramienta. Si lo que quieres son las páginas como imágenes, PDF a JPG las saca directamente.

Los dos formatos de salida

Igual que en el PDF conserva cada renglón en su línea. Es lo correcto para revisar el documento, para listados, para versos o para cualquier texto donde la posición de los saltos signifique algo.

Unir cada párrafo pega los renglones de un mismo párrafo en una sola línea. Es lo que necesitas si vas a pegar el texto en Word, en un correo o en un gestor de contenidos: de lo contrario aparece cortado cada setenta caracteres y hay que arreglarlo a mano línea por línea.

En esa segunda opción, además, se rehacen las palabras partidas con guion al final de renglón: «pre-» y «supuesto» vuelven a ser «presupuesto», que es un detalle que casi ninguna herramienta cuida y que se nota en cuanto el documento viene de una maqueta profesional.

Por qué no ofrecemos «PDF a Word»

Es una de las búsquedas más frecuentes del sector y la hemos descartado a conciencia. Convertir bien un PDF a Word significa reconstruir columnas, tablas, estilos, listas y saltos de sección a partir de un formato que no guarda nada de eso.

Hecho en el navegador, el resultado son cuadros de texto sueltos que se descolocan al editarlos: técnicamente es un .docx, y en la práctica es inservible. Preferimos hacer bien lo que sí se puede hacer bien —sacar el texto— que ofrecer una conversión que decepcione.

Usos que compensan

• Citar un párrafo de un informe sin teclearlo.
• Buscar una palabra en un documento de doscientas páginas pegándolo en un editor.
• Pasar el contenido de un contrato a una plantilla nueva.
• Contar cuántas palabras tiene un PDF, pegándolo en el contador de palabras.
• Sacar los datos de una factura para meterlos en una hoja de cálculo.

Tu documento no sale de tu dispositivo

Por un extractor de texto pasan contratos, nóminas, informes médicos y expedientes. Aquí el PDF se abre y se lee dentro de tu propio navegador: no hay subida, no hay copia temporal y no queda nada al cerrar la pestaña.