PDF a texto — Extraer el texto de un PDF
Herramienta en el navegador que extrae el texto de un PDF página a página para copiarlo o guardarlo como TXT
Funciona en tu navegador · no se sube nada
Arrastra aquí el PDF del que quieres extraer el texto
Añade un PDF (hasta 100 MB). Si añades otro archivo, sustituirá al actual. Los archivos nunca salen de tu navegador.
Qué es
Convierte el texto de un PDF en texto plano. Úsalo para pasar un informe a un editor de texto, citar parte de un artículo o buscar una frase en un contrato largo. Puedes abrir cada página por separado y copiarla, copiarlo todo de una vez o descargar un archivo TXT. Cuando las letras salen dañadas por culpa de las fuentes, o un escaneo no tiene texto, la página explica por qué y qué hacer. Todo funciona en tu navegador.
Cómo se usa
- Arrastra un PDF a la zona punteada o pulsa Elegir PDF.
- Si solo necesitas una parte, escribe un rango de páginas como
1-3, 5. Vacío significa todas las páginas. - Elige si quieres un separador como
--- Página 1 ---entre páginas. - Pulsa Extraer texto para obtener el texto completo y el de cada página. En archivos largos, Detener termina antes y conserva lo leído.
- Copia todo, copia una página o descarga el archivo TXT.
Cómo funciona
- Extracción: los fragmentos de texto que lee PDF.js se unen en el orden en que están guardados. Empieza una línea nueva en una marca de fin de línea o cuando la línea base se mueve más de media línea; se añade un espacio entre fragmentos de la misma línea que están visiblemente separados. Se quitan los espacios finales y las líneas en blanco se reducen a una.
- Aviso de texto dañado: aparece cuando al menos 3 caracteres, y al menos el 2 % de los visibles, son caracteres de sustitución (�), de uso privado o de control.
- Páginas sin texto: se indican sus números; si todas están vacías, el archivo se trata como escaneo y se sugiere OCR.
- Archivo TXT: UTF-8 con marca de orden de bytes y saltos de línea de Windows (CRLF), para que tildes, chino y emojis se abran bien incluso en el Bloc de notas antiguo.
- Límites: archivos de hasta 100 MB. Sin OCR.
- Bibliotecas: PDF.js (Apache-2.0). Los mapas de caracteres de las fuentes chinas, japonesas y coreanas se sirven desde este sitio y solo se cargan cuando hacen falta.
Ejemplos
| Archivo | Resultado |
|---|---|
| Informe exportado desde Word | Párrafos y líneas salen como se escribieron |
| Artículo a dos columnas | Normalmente primero la columna izquierda y luego la derecha; las celdas de tablas pueden juntarse |
| Ticket escaneado | «No se encontró texto» con sugerencia de OCR |
| PDF cuya fuente no tiene mapa Unicode | Aviso de texto dañado con la solución |
Para las fotos de un PDF usa Extraer imágenes de PDF; para conservar el aspecto de las páginas completas usa PDF a JPG.
Preguntas frecuentes
¿Se sube mi PDF?
No. La extracción se hace solo en tu navegador y el archivo nunca se sube. El texto solo existe en esta página y en el archivo TXT que descargues.
El texto extraído sale con caracteres raros. ¿Por qué?
Cuando un PDF incrusta una fuente sin mapa Unicode, las letras se ven en pantalla pero salen como espacios o símbolos extraños al leerlas como texto. Si aparecen bastantes de esos caracteres, la herramienta te avisa. La solución es volver a exportar el PDF desde el programa original o usar reconocimiento de texto (OCR).
¿Por qué no obtengo nada de un PDF escaneado?
En un PDF escaneado o fotografiado cada página es una imagen, así que no hay texto que extraer, y esta herramienta no hace OCR. Si no se encuentra ningún texto, se te indica; pasa antes el archivo por un programa o una app de escáner con reconocimiento de texto.
¿Los saltos de línea y el orden son los del original?
El texto sigue el orden en que está guardado en el PDF, y las líneas se cortan en las marcas de fin de línea y donde salta la línea base. La mayoría de documentos salen en orden de lectura, pero los diseños a varias columnas, las tablas y los cuadros de texto pueden mezclarse o juntarse.
¿Funciona con PDF protegidos?
Los PDF que piden contraseña para abrirse aún no se admiten. Los que se abren sin contraseña pero restringen la impresión o la edición sí se abren y su texto se puede leer. Revisa tú mismo las condiciones de uso del documento.
