PDF a Texto

Cuando el texto aparece ilegible

A veces la extracción devuelve texto, pero es incorrecto: símbolos aleatorios, cuadros o letras desplazadas en el alfabeto. Ocurre cuando las fuentes del PDF no incluyen un mapa que relacione sus glifos con caracteres reales, algo que algunos programas de diseño e impresión omiten. La página se ve bien porque dibuja formas; los caracteres subyacentes no son las letras que se muestran. Trata ese archivo como un escaneo y pásalo por PDF escaneado a texto.

Las anomalías menores suelen tener causas más sencillas: fi y fl unidas en un único carácter de ligadura, o una palabra dividida en dos porque el PDF coloca cada letra por separado.

Limpiar el texto extraído

Las líneas impresas aparecen como líneas separadas, de modo que un párrafo llega con un salto cada pocas palabras, y las palabras con guion al final de una línea permanecen divididas. Los encabezados, pies de página y números de página se repiten una vez por página entre el texto principal. Elimínalos antes de citar o reutilizar el texto, y borra las etiquetas de página si el texto va a utilizarse como una sola pieza.

Para contar las palabras o los caracteres de un documento, pega el texto limpio en el contador de palabras; contar directamente el resultado sin procesar incluye todos los encabezados y etiquetas.

Cómo se usa

1. Elige un PDF.
2. Extrae el texto.
3. Cópialo o descarga un archivo .txt.

Privacidad y límites

El archivo se abre y se reescribe en tu navegador y nunca se sube, lo cual es importante cuando el documento es un contrato, un escaneo o cualquier otra cosa que no le entregarías a un desconocido. Un PDF escaneado no contiene texto que extraer, y se informa como tal en lugar de devolver un archivo vacío.