Cómo funciona
El extractor de texto de PDF lee todo el texto de un documento y lo exporta como texto plano o como Markdown estructurado, conservando el orden de lectura y la jerarquía de los títulos. Úsalo para copiar el texto de PDF escaneados (con OCR), extraer datos para procesarlos o pasar el contenido a un editor de texto o un procesador de textos.
Copiar texto de un PDF a mano no es fiable: los diseños a varias columnas se pegan desordenados, los cuadros de texto de las presentaciones convertidas a PDF salen en cualquier orden y los PDF escaneados (imágenes de páginas) no devuelven absolutamente nada al pulsar Ctrl+C. Esta herramienta resuelve los tres casos.
Cómo usarla: sube tu PDF. La extracción empieza sola. Elige el formato de salida: - Texto plano: texto lineal, un párrafo por bloque, para máxima compatibilidad - Markdown: detecta los títulos y los formatea con #, reconoce la negrita por el grosor de la fuente y conserva las listas - CSV: para las tablas detectadas en el PDF (texto separado por columnas)
OCR para PDF escaneados: si el PDF solo contiene imágenes escaneadas (sin texto incrustado), activa el modo OCR. La herramienta ejecuta un motor de reconocimiento óptico en el navegador (Tesseract.js) sobre la imagen de cada página. El OCR tarda más (entre 2 y 10 segundos por página), pero recupera el texto de documentos que son solo imagen.
Precisión: la extracción de PDF con texto incrustado es muy precisa. La del OCR depende de la calidad del escaneo, la tipografía y el idioma: entre un 95 % y un 99 % de acierto por carácter en escaneos limpios y de alta resolución.
Privacidad: la extracción y el OCR se ejecutan en el navegador. No se envía ningún contenido del documento.
Preguntas frecuentes
- Sí, activando el modo OCR. La herramienta convierte cada página en imagen y le pasa Tesseract.js, un motor de reconocimiento óptico que funciona en el navegador. El OCR tarda más, pero recupera el texto de PDF que solo contienen imágenes. La precisión ronda entre el 95 % y el 99 % en escaneos limpios y de alta resolución.
- El formato PDF no guarda el texto en orden de lectura: los bloques se colocan en coordenadas X e Y y no tienen por qué estar almacenados de izquierda a derecha y de arriba abajo. La herramienta usa un algoritmo que ordena los bloques por su posición, pero los diseños complejos a varias columnas pueden salir con algún fallo de orden. Es una limitación propia del formato PDF.
- Sí: activa el modo Tabla para exportar el contenido detectado como CSV o TSV. La herramienta identifica filas y columnas por la alineación espacial del texto. Las tablas complejas con celdas combinadas pueden necesitar un repaso manual.
- En modo Markdown: el texto con un tamaño de fuente mayor se convierte en títulos de Markdown, la negrita (detectada por el grosor de la fuente) pasa a **negrita** y la cursiva a *cursiva*. En modo texto plano solo se conserva el contenido, sin formato. Los espacios de maquetación (sangrías, alineación de columnas) se mantienen siempre que es posible.