Convertir PDF a texto
Guarda las palabras de un PDF en un archivo de texto sin formato, listo para pegarlo en un correo, hacer búsquedas, contar palabras o traducirlo. Las fuentes, la maquetación y las imágenes se quedan fuera; el texto sigue la página de arriba abajo.
Añade un archivo PDF para convertirlo a texto.
o suelta el archivo aquí
Tu PDF se procesa dentro de esta pestaña del navegador y nunca se sube.
Cómo se usa
- Carga el PDF con «Elegir un archivo» o arrastrándolo a la página.
- Para extraer solo una parte del documento, elige «Rango de páginas» en «Páginas a convertir» y enumera páginas como 2, 5-7.
- Si hay páginas escaneadas, elige en «Reconocimiento de texto para páginas escaneadas» los idiomas del documento. Las páginas que ya traen texto se leen directamente.
- Pulsa «Convertir a texto» y después «Descargar» para guardar el archivo .txt con el nombre del PDF.
- Abre el archivo en cualquier editor de texto, o pega su contenido donde lo necesites.
Qué hace
Párrafos, no líneas cortadas
Las líneas que están cerca unas de otras y tienen el mismo tamaño se unen en un solo párrafo, las palabras partidas con un guion al final de la línea se vuelven a juntar, y los párrafos se separan con una línea en blanco. Una viñeta o un elemento numerado empieza un párrafo propio.
Tablas como filas con tabulaciones
Cada fila de una tabla se convierte en una línea con una tabulación entre las celdas. Pega el texto en una hoja de cálculo y cada fragmento queda en su propia celda.
Marcas de página
Cuando conviertes más de una página, cada una empieza con una línea de marca, por ejemplo — Página 3 —, que lleva el número de la página en el PDF, de modo que una cita se puede localizar en su página. Si es una sola página, no lleva marca.
Escaneos leídos con OCR
Una página sin capa de texto se lee con OCR (reconocimiento de texto), con los idiomas que elijas: se ofrecen inglés, coreano, japonés, alemán, francés, español y portugués. La herramienta te dice cuántas páginas se leyeron así, porque son las que hay que revisar.
UTF-8 que se abre bien
El texto va codificado en UTF-8 y lleva al comienzo una marca de orden de bytes (BOM). Gracias a ella, los programas de Windows más antiguos identifican de inmediato las vocales acentuadas, el coreano y el japonés. Si otro programa te pregunta por la codificación, indica UTF-8.
Nada sale de tu dispositivo
Los contratos, las cartas y los expedientes se leen en tu navegador. El PDF no se sube ni se modifica.
Conviene saber
El texto sin formato es el formato más sencillo que existe: lo abre cualquier programa en cualquier dispositivo. La gente saca las palabras de un PDF para citar un pasaje en un correo, traducirlo, contar palabras para ajustarse a un límite, comparar dos versiones de un contrato, crear un archivo en el que se pueda buscar o pasar el contenido a un programa que no lee PDF.
El resultado depende de cómo se hizo el PDF. Un archivo exportado desde un procesador de texto tiene una capa de texto limpia. Un PDF impreso desde una página web o desde un sistema antiguo puede tener fuentes sin correspondencia con las letras reales, y entonces el resultado muestra símbolos raros; la herramienta OCR de PDF puede leer una página así a partir de su imagen.
Las páginas con columnas en paralelo se leen de lado a lado, de modo que las dos columnas pueden salir emparejadas en una misma fila, separadas por una tabulación. Los títulos, las negritas, las cursivas, las fuentes y las imágenes no se registran; un título es una línea más. La herramienta PDF a Word conserva los títulos y las tablas como texto editable, y OCR de PDF muestra el texto junto a cada página para que lo corrijas y lo guardes.
Preguntas frecuentes
¿Puedo copiar el texto sin guardar un archivo?
Esta herramienta guarda un archivo .txt en lugar de mostrar el texto en la página. La herramienta OCR de PDF muestra cada página junto a su texto, con un botón que copia todo.
¿Por qué el texto contiene símbolos extraños?
La fuente del PDF no tiene una correspondencia utilizable entre sus formas y las letras, algo habitual en los archivos impresos a PDF desde un navegador. Abre el PDF en la herramienta OCR de PDF y pídele que reconozca la página de todos modos: así lee la imagen en lugar de la capa de texto defectuosa.
¿Por qué mis páginas de dos columnas salen mezcladas?
Las líneas se leen de lado a lado de la página, así que el texto en columnas paralelas sale con las partes izquierda y derecha en una misma fila, separadas por una tabulación. Si lo pegas en una hoja de cálculo, las dos columnas caen en celdas distintas y puedes copiar una después de la otra.
¿Puede leer un PDF escaneado?
Sí. Antes de convertir, marca en «Reconocimiento de texto para páginas escaneadas» el idioma del documento. Puede que algún carácter se lea mal, así que echa un vistazo a los nombres y a los números.
¿Qué codificación usa el archivo?
UTF-8. Al comienzo lleva una marca de orden de bytes que sabe interpretar el Bloc de notas de Windows. Si en otro programa ves caracteres extraños, abre de nuevo el archivo e indica UTF-8 como codificación.
¿Se conservan los títulos, las negritas y las imágenes?
No. El archivo contiene solo texto, y un título aparece como una línea normal. La herramienta PDF a Word conserva los títulos y las tablas como texto editable, y PDF a JPG guarda las páginas como imágenes.