Utilia
Categorías ▾
Idioma: es ▾

PDF a texto

Extrae el texto de un PDF en tu navegador, página a página, con saltos de línea y separadores de página. Cópialo o descárgalo como archivo .txt.

Déjalo vacío para todas las páginas, o escribe páginas e intervalos como 1-3, 5, 8-.

Desmárcalo para unir las líneas de cada párrafo y volver a juntar las palabras cortadas con guion al final de línea.

Cómo extraer el texto de un PDF

  1. Suelta un archivo PDF en la zona de carga o haz clic en ella para elegirlo. La herramienta muestra su nombre, su número de páginas y su tamaño.
  2. Si quieres, escribe en Páginas (opcional) las páginas que quieres leer, por ejemplo 1-3, 5 o 8-. Deja el campo vacío para extraer todas las páginas.
  3. Elige el Orden de lectura: Tal como está guardado en el archivo (mejor para columnas) o De arriba abajo, de izquierda a derecha.
  4. Marca o desmarca Añadir separadores de página y Conservar los saltos de línea.
  5. Haz clic en Extraer texto. En los documentos largos verás el progreso página a página; Detener termina antes y conserva las páginas ya leídas.
  6. Revisa el recuento de páginas, palabras, caracteres y líneas, y haz clic en Copiar o en Descargar .txt.

Las dos casillas se pueden cambiar después de la extracción: el texto se vuelve a formatear al instante, sin leer de nuevo el archivo.

¿Capa de texto o página escaneada?

Un PDF creado con un procesador de textos, una hoja de cálculo o la opción «Guardar como PDF» contiene una capa de texto: los caracteres reales, con su fuente y su posición. Esta herramienta lee esa capa con PDF.js, así que el resultado es exacto, con tildes, eñes, ligaduras y símbolos intactos.

Un PDF escaneado es distinto: cada página no es más que una foto del papel, y no hay texto que leer. Cuando una página seleccionada no tiene texto pero sí contiene una imagen, la herramienta lo indica y dice qué páginas están afectadas. El OCR (reconocimiento óptico de caracteres) no está incluido: aquí no se puede extraer el texto de las páginas escaneadas. Las páginas sin texto ni imágenes se señalan como en blanco.

Orden de lectura y maquetación

Un PDF guarda fragmentos de texto con coordenadas, no párrafos. La herramienta reconstruye las líneas a partir de los fragmentos que comparten la misma línea base, añade un espacio donde hay un hueco visible y deja una línea vacía donde la separación vertical es grande, lo que suele marcar un cambio de párrafo.

  • Tal como está guardado en el archivo (mejor para columnas) sigue el orden en que el programa de origen escribió el texto. En la mayoría de los documentos, incluidos los artículos a dos columnas, es el orden natural de lectura.
  • De arriba abajo, de izquierda a derecha ordena por posición en la página. Pruébalo cuando la primera opción dé un texto desordenado; ten en cuenta que lee de un lado a otro atravesando las columnas.

Con Añadir separadores de página, cada página empieza con una línea como --- Página 3 ---, muy práctica para citar o comprobar un pasaje.

Unir las líneas en párrafos

Con Conservar los saltos de línea marcado, cada línea del PDF sigue siendo una línea de texto. Desmárcalo para unir las líneas de cada párrafo en una sola, lo que va mejor para pegar el texto en un documento o en un traductor. Una palabra cortada con guion al final de línea, como «ejem-» + «plo», se vuelve a juntar cuando la línea siguiente empieza por minúscula. El límite: una palabra compuesta que justo se corta en su propio guion («franco-» + «alemán») pierde ese guion, así que revisa los pasajes importantes.

Privacidad

Tu navegador lee el PDF en tu propio dispositivo. Ni el archivo ni el texto extraído se envían a un servidor.

Preguntas frecuentes

¿Por qué el texto extraído está vacío?

Probablemente las páginas son imágenes escaneadas sin capa de texto. La herramienta te indica qué páginas parecen escaneadas. No hace OCR, así que para esas páginas necesitas un programa de reconocimiento de texto.

¿Puedo extraer el texto de un PDF protegido con contraseña?

No mientras esté bloqueado. Los archivos que solo restringen la copia o la impresión se abren con normalidad; los que piden una contraseña para abrirse hay que desbloquearlos primero, con la contraseña.

¿Por qué algunas palabras salen pegadas o separadas?

Algunos PDF colocan cada letra o cada palabra por separado con un espaciado poco habitual. La herramienta deduce los espacios a partir de los huecos entre fragmentos de texto; si las líneas salen mezcladas, prueba el otro Orden de lectura.

¿Se conserva el formato?

No. El resultado es texto sin formato: no se conservan las negritas, las fuentes, los colores, las tablas ni las imágenes, solo las palabras, los saltos de línea y los párrafos.

¿Cómo obtengo el texto de una sola página?

Escribe su número en Páginas (opcional), por ejemplo 4, y haz clic en Extraer texto.

Herramientas relacionadas