Extractor de texto PDF

Extractor de texto PDF: convierte líneas cortadas en un texto que puedes reutilizar

Extraer el texto de un PDF consiste en sacar los caracteres guardados dentro del archivo y obtenerlos como texto plano para pegarlo en un documento, un correo o un traductor. Si seleccionas y copias directamente en un visor de PDF, cada renglón visible termina en un salto de línea, y los encabezados y números de página se cuelan en medio de los párrafos. Esta herramienta lee todas las páginas, une los renglones que pertenecen al mismo párrafo, quita los encabezados y números de página que se repiten y te da un borrador limpio. Las páginas que son solo una imagen, como los escaneos, se pueden leer con OCR en el propio navegador.

Si abres el informe de ejemplo, se lee un estudio ficticio de parques de cuatro páginas. Con los ajustes por defecto, el borrador tiene 862 caracteres (sin contar espacios) en 11 párrafos; se unieron 11 saltos de línea dentro de los párrafos y se quitaron 6 líneas (tres encabezados y tres números de página). La página 4 es un escaneo, así que aparece como una barra rayada en el mapa de páginas. Si pulsas «Leer 1 página con OCR», el borrador pasa a 1032 caracteres en 13 párrafos, con 14 saltos de línea unidos y 7 líneas quitadas. El archivo y el resultado se procesan solo en este navegador.

Cuándo necesitas el texto de un PDF

Citar o resumir un informe o un artículo: elige solo las páginas que necesitas y copia párrafos enteros, sin borrar los saltos de línea uno por uno.
Editar un contrato, una carta o un formulario que te enviaron: pega el borrador en Word o en Google Docs y corrígelo. También puedes editarlo en el propio cuadro de texto y copiarlo desde ahí.
Buscar dentro de un documento escaneado: un escaneo no se puede seleccionar ni buscar, pero una vez leído con OCR puedes buscar en él o pasarlo por un traductor.
Contar palabras o llevar el texto a otra herramienta: guarda el borrador como TXT o cópialo para un contador de palabras, un corrector ortográfico o un traductor.

Cómo se usa

Suelta el PDF en el área de trabajo o pulsa «Elegir un PDF». Si el archivo tiene contraseña de apertura, aparece un cuadro para escribirla, y la contraseña solo se usa dentro de este navegador.
En el mapa de páginas, cada página muestra una barra que sube y su número de caracteres. Cuanto más alta la barra, más texto; una barra rayada indica una página sin texto.
Si solo necesitas algunas páginas, escríbelas en «Páginas que extraer», por ejemplo 2, 4-6. Si lo dejas vacío se extraen todas, y las páginas fuera del intervalo se atenúan en el mapa.
Si hay páginas sin texto, pulsa «Leer n páginas con OCR». Puedes elegir de 1 a 3 idiomas del documento, y la primera vez se descargan el motor y los datos de idioma.
Revisa el borrador y usa Copiar todo, Copiar la página n o Guardar TXT. Al desplazarte por el borrador, la página original de la derecha te sigue, así que puedes compararlos lado a lado.

Por qué el texto copiado de un PDF sale cortado y cómo se unen las líneas

Un PDF no guarda párrafos. Guarda instrucciones del tipo «dibuja estos caracteres en esta posición de la página». Por eso un visor copia cada renglón visible como una línea aparte y no sabe decirte dónde termina un párrafo. Esta herramienta reconstruye los párrafos a partir de la posición y el tamaño de cada línea. Empieza un párrafo nuevo cuando el espacio entre dos líneas supera 1,45 veces el interlineado habitual de esa página, cuando el tamaño de letra cambia más de un 20 % (un título sobre el cuerpo del texto) o cuando una línea empieza con una marca de lista como •, –, 1. o (1). Las demás líneas se unen a la anterior con las reglas siguientes.

Cómo se unen las líneas (modo «Unir en párrafos»)
Dos líneas del PDF	Borrador	Regla
…resume cómo se usaron cinco parques / de Haesol entre semana	…resume cómo se usaron cinco parques de Haesol entre semana	Las líneas en alfabeto latino se unen con un espacio
teórico- / práctico	teórico-práctico	Un guion entre dos letras se conserva y las líneas se pegan, porque borrarlo estropearía las palabras que de verdad llevan guion
ejem / plo (guion blando, U+00AD)	ejemplo	El guion blando que añade un programa de maquetación se elimina y la palabra se pega
…las familias con niños. / • Periodo: del 1 al 14 de septiembre de 2026	(párrafo nuevo)	Una línea que empieza con una marca de lista abre un párrafo nuevo

Ojo con los guiones. Un guion al final de renglón puede ser un guion de verdad (teórico-práctico) o un corte que el programa de maquetación hizo dentro de una palabra (ejem-plo). El PDF no dice cuál de los dos es, así que la herramienta conserva el guion en ambos casos. Si un documento corta muchas palabras, busca los guiones en el borrador y corrige los pocos que sobren. Las letras con tilde y la ñ que algunos PDF guardan descompuestas (la letra base más un acento suelto) se unen en un solo carácter gracias a la normalización NFC, y ligaduras como ﬁ y ﬂ se convierten en las letras fi y fl; así las palabras se pueden buscar con normalidad. Los signos de apertura ¿ y ¡ se copian tal como están guardados en el PDF.

En la página original, cada línea extraída lleva un recuadro tenue y las líneas fusionadas en un párrafo llevan un corchete a la izquierda. Si prefieres conservar los saltos de línea del propio PDF, pulsa «Líneas del PDF». Es mejor para poemas, direcciones y cualquier texto donde la línea en sí tenga significado.

PDF que no dan texto o lo dan ilegible

Cuando el texto de un PDF no se puede copiar, casi siempre se debe a una de tres causas. La forma de la barra en el mapa de páginas te dice cuál es.

Síntomas, causas y qué hace esta herramienta
Síntoma	Causa	Mapa de páginas	Qué hacer
No sale nada de texto	La página es un escaneo o una foto: solo contiene una imagen y no tiene capa de texto	Barra rayada	Leerla con OCR
Aparecen cuadros, � o símbolos raros	La fuente no tiene tabla de caracteres (ToUnicode): las formas se dibujan, pero el programa no sabe qué letras son (ISO 32000-1 9.10.2)	Barra con borde (posible texto ilegible)	«Leer con OCR» o «OCR de esta página»
Se rechaza nada más abrirlo	El autor desactivó el permiso de «copiar o extraer contenido» (tabla 22, bit 5)	No se muestra	Si tienes la contraseña de permisos, crea una copia sin restricciones con Desbloquear PDF y añade esa copia

La restricción de copia es una condición que fijó el autor, de modo que esta herramienta la respeta incluso cuando abres el archivo con su contraseña de apertura, y no la esquiva con OCR. Una página se marca como posible texto ilegible cuando más del 20 % de sus caracteres son caracteres de sustitución o de uso privado. Las páginas con menos daño, o con letras cambiadas por otras equivocadas, no se detectan solas: compara el borrador con la página original y pulsa «OCR de esta página» si hace falta.

Cómo funciona el OCR y qué precisión tiene

El OCR se ejecuta en tu dispositivo con Tesseract.js, la versión de Tesseract para el navegador. Primero se dibuja cada página con el equivalente a 150 ppp y se lee. Si las líneas salen con menos de 22 píxeles de alto (letra pequeña, como las notas al pie), la página se vuelve a dibujar con un tamaño que deje las líneas en unos 30 píxeles, hasta un máximo equivalente a 300 ppp, y se conserva el resultado con mayor confianza, ponderada por el número de caracteres. La documentación de Tesseract recomienda imágenes de al menos 300 ppp, pero ampliar un escaneo más allá de su resolución original no lo hace más nítido. En la página escaneada del informe de ejemplo (200 ppp), leer con el equivalente a 150, 200, 250 y 300 ppp dio siempre las mismas cifras correctas (61 %, 38 %, 24 % y 17 %), así que en un escaneo limpio como este una resolución más alta no cambió nada.

Idioma: elige de 1 a 3 entre 한국어, English, 日本語, Español e Indonesia según el documento. Para un texto en español, Español más English suele bastar si hay siglas o palabras en inglés; añadir un idioma que el documento no usa puede aumentar las letras mal leídas.
Descarga única: el motor ocupa unos 4,1 MB, más entre 1,2 y 3,0 MB por idioma (español 2,1 MB, inglés 3,0 MB). El navegador guarda los datos, así que la siguiente vez empieza al instante.
Cómo se marcan las páginas de OCR: aparecen como barras punteadas en el mapa de páginas y como «[Página n · OCR]» en el borrador. Sus recuadros de línea se dibujan en azul para distinguirlos del texto que ya estaba en el PDF.
Para mejorar el resultado: escanea a 200-300 ppp, en blanco y negro o en escala de grises, con la página bien recta. La letra manuscrita, las fotos torcidas y los fondos con dibujos producen muchos más errores.

Qué se considera encabezado o número de página repetido

Con «Quitar encabezados y números de página» activado, la herramienta solo aplica la comprobación si al menos 3 páginas tienen 3 o más líneas. Entonces compara la primera y la última línea de cada página (las 2 primeras y las 2 últimas si la página tiene 5 o más líneas). Una línea que aparece en al menos el 60 % de las páginas comparadas (y como mínimo en 3) se quita. Solo se comparan las letras, porque el OCR suele leer un punto separador o un espacio de forma ligeramente distinta de una página a otra; la puntuación, los símbolos y los espacios se ignoran. Una línea con números cuenta como la misma solo si sus números son idénticos en todas las páginas («Informe anual 2024») o si tiene forma de número de página, con un número que sube de página en página, como «- 1 -», «- 2 -» o «Página 1 de 10». Por eso se conservan un subtotal al pie de cada página o una línea de movimientos que empieza con una fecha.

Las líneas quitadas se muestran en la página original con un rayado rojo. Un encabezado que cambia en cada capítulo, o el de un documento de dos páginas, no cumple la regla y se queda; bórralo tú en el borrador.

Qué contiene el archivo TXT guardado

Guardar TXT escribe lo que ves ahora en el cuadro de texto, con tus ediciones, como «nombre-original_text.txt». Se codifica en UTF-8 con BOM (EF BB BF) al principio y saltos de línea CRLF de Windows. El BOM hace que el Bloc de notas y Excel reconozcan enseguida el UTF-8, de modo que las tildes, la ñ, los signos ¿ y ¡ y las comillas angulares no se convierten en símbolos extraños. El texto se normaliza a Unicode NFC, así que una letra guardada como letra base más un acento combinado pasa a ser un solo carácter, y ligaduras como ﬁ pasan a fi.

Tablas, artículos a dos columnas y maquetaciones especiales

La herramienta lee las líneas en el orden en que el PDF las guarda. Un artículo a dos columnas hecho en Word o LaTeX suele guardar toda la columna izquierda y luego la derecha, así que sale en orden de lectura. Los folletos y revistas maquetados con un programa de diseño guardan los cuadros de texto en el orden en que se crearon, y el orden puede salir mezclado. Una tabla sale sin bordes de celda: el texto de una fila se une con espacios o cada celda cae en su propia línea. Para llevar una tabla a una hoja de cálculo, extráela en modo «Líneas del PDF» y sepárala tú. El texto vertical japonés se lee, pero sus saltos de línea son menos precisos que en horizontal.

Límites y precauciones

Un PDF cada vez, de hasta 100 MB y 500 páginas. Si el documento es más largo, divídelo antes con Dividir PDF.
Solo se extrae el texto. La negrita y la cursiva, la estructura de las tablas, las imágenes y las direcciones de los enlaces no pasan al borrador.
Los comentarios, las anotaciones y los valores escritos en campos de formulario se guardan como anotaciones aparte, no como contenido de la página, y no se extraen.
El OCR puede leer mal algunos caracteres. Compara siempre cifras, nombres e importes con la página original. La letra manuscrita casi nunca se lee bien.
Un PDF cuyo autor bloqueó la copia no se extrae, y un PDF del que no tienes la contraseña de apertura no se puede abrir.
Los guiones al final de renglón se conservan, así que una palabra que la maquetación partió en dos puede quedar con su guion. Corrígelo en el cuadro de texto.

Fecha de referencia La especificación PDF, la documentación de pdf.js y Tesseract y las mediciones del ejemplo se comprobaron el 2026-10-21.

Fuentes

01ISO 32000-1:2008 Document management — Portable document format (copia pública de Adobe)9.10 extracción de texto y 9.10.2 conversión de códigos de carácter a Unicode (ToUnicode); tabla 22, bits de permiso 5 (copiar o extraer contenido) y 10 (extracción para accesibilidad)
02pdf.js API — PDFPageProxygetTextContent, que devuelve los elementos de texto de una página con su posición. Esta herramienta lee y dibuja las páginas con pdf.js 3.11.174 (licencia Apache-2.0)
03Documentación de Tesseract — Improving the quality of the outputRecomienda imágenes de al menos 300 ppp; trata el cambio de escala, los bordes, la inclinación y otros factores que afectan a la calidad del OCR
04Tesseract.jsLa biblioteca que ejecuta el OCR de Tesseract dentro del navegador. Esta herramienta usa la versión 7.0.0 y los datos de idioma kor, eng, jpn, spa e ind (licencia Apache-2.0)
05Unicode Standard Annex #15 — Unicode Normalization FormsLa normalización NFC, que une las letras guardadas como letra base más acento combinado

Preguntas frecuentes

¿Se puede extraer el texto de un PDF escaneado?

Sí. Una página escaneada solo contiene una imagen y no tiene texto, por lo que aparece como una barra rayada en el mapa de páginas. Pulsa «Leer con OCR», elige el idioma del documento y el texto se lee dentro del navegador; esa página queda marcada como «[Página n · OCR]» en el borrador. El OCR puede equivocarse en algún carácter, así que compara las cifras y los nombres con la página original.

Al copiar de un PDF todas las líneas salen cortadas. ¿Se pueden unir de una vez?

Sí. El modo por defecto, «Unir en párrafos», reconstruye los párrafos a partir del interlineado y el tamaño de letra, y une las líneas de un mismo párrafo con un solo espacio. El guion entre dos letras se conserva y el guion blando se elimina. Para dejar los saltos de línea del propio PDF, elige «Líneas del PDF».

¿Cómo extraer texto de un PDF protegido o que no deja copiar?

Casi siempre es una de tres causas. La página es una imagen escaneada sin capa de texto; la fuente no tiene tabla de caracteres (ToUnicode), así que están las formas pero no se sabe qué letras son; o el autor bloqueó la copia. Las dos primeras se leen con OCR. La restricción de copia solo se puede quitar en una copia creada con la contraseña de permisos.

¿Puedo extraer el texto de un PDF con contraseña?

Sí, si conoces la contraseña de apertura. Al añadir el PDF aparece un cuadro para escribirla, y la contraseña solo se usa dentro de este navegador. Si además el autor bloqueó la copia, el texto no se extrae ni siquiera después de abrirlo; crea antes una copia sin restricciones con Desbloquear PDF y añade esa copia.

¿El TXT guardado muestra símbolos raros en el Bloc de notas o en Excel?

No. El TXT se guarda en UTF-8 con BOM al principio, de modo que el Bloc de notas y Excel reconocen la codificación enseguida y las tildes, la ñ, los signos ¿ y ¡ y las comillas se conservan. Los saltos de línea se guardan al estilo de Windows (CRLF).

¿Las tablas y los artículos a dos columnas salen en el orden correcto?

El texto sale en el orden en que el PDF lo guardó. Un artículo a dos columnas hecho en Word o LaTeX suele dar la columna izquierda y luego la derecha, pero los documentos hechos con un programa de diseño pueden salir mezclados. Las tablas no tienen bordes de celda: extráelas con «Líneas del PDF» y sepáralas tú.

¿Mi PDF se sube a algún servidor?

No. La lectura del PDF, la extracción del texto y el OCR se hacen dentro de tu navegador. El motor de OCR y los datos de idioma se descargan la primera vez que usas el OCR, pero el contenido del archivo y tu texto no se envían a ningún sitio.

Quité los encabezados repetidos, pero uno sigue en el texto. ¿Por qué?

Un encabezado se quita solo si al menos 3 páginas tienen 3 o más líneas y la misma línea aparece arriba o abajo en al menos el 60 % de esas páginas. Los encabezados que cambian en cada capítulo, o los de un documento de dos páginas, se quedan; bórralos en el cuadro de texto. Las líneas quitadas aparecen con un rayado rojo en la página original.