Cómo funciona
- Suelta tus PDF.
- Elige el orden de lectura, el rango de páginas y la detección de tablas.
- Descarga archivos TXT, CSV o JSON.
Por qué usarla
- Conserva el orden de lectura o el diseño original.
- Detecta tablas sencillas y exporta cada una como CSV.
- JSON estructurado con el texto de cada página.
- En lote con descarga en ZIP.
Sacar texto y tablas de un PDF
¿Tu PDF tiene texto?
Un PDF creado desde Word, una página web o cualquier otro programa guarda texto real: puedes seleccionarlo, buscar en él y copiarlo. Un escaneo o una foto guardada como PDF solo guarda imágenes de las páginas, y no hay texto que extraer hasta que alguien lo lea. La vista previa te dice de qué tipo es el tuyo: si indica que no se encontró capa de texto, usa imagen a texto, que reconoce las letras de los escaneos, o PDF a Word, que hace lo mismo mientras reconstruye el documento.
Orden de lectura o diseño
Dentro de un PDF, el texto se guarda en trozos colocados en posiciones de la página, no en párrafos, y el orden de los trozos en el archivo a menudo no es el orden en que se leen. El extractor ordena los trozos por su posición: de arriba abajo y de izquierda a derecha dentro de una línea, uniendo los trozos cuyas líneas base coinciden.
- Orden de lectura, el valor por defecto, da las líneas en el orden en que se leen, con una línea en blanco donde un espacio mayor marca un párrafo nuevo.
- Conservar el diseño deja cada línea donde estaba, con espacios en lugar de los huecos entre columnas. Úsalo para formularios, facturas y todo aquello en que importe la posición de un valor en la línea.
Las páginas con dos o tres columnas de texto son el caso más difícil para cualquier extractor. Si las líneas de columnas vecinas salen entremezcladas, convierte con PDF a Word, que detecta las columnas, y copia desde ahí.
Tablas
Con Detectar tablas activado, el extractor busca texto alineado en columnas a lo largo de varias líneas, como listas de precios, extractos y horarios, y reconstruye cada una en filas y celdas. Filas mínimas, 3 por defecto, fija cuántas líneas deben alinearse para que algo cuente como tabla; bájalo para tablas cortas, súbelo si un texto normal se toma por una tabla. Cada tabla se puede copiar como CSV directamente desde la vista previa, y se guarda como su propio archivo CSV que se abre en Excel, Google Sheets o Numbers.
Las cuadrículas simples funcionan mejor. Las tablas con celdas combinadas, texto que salta de línea dentro de las celdas o varias tablas lado a lado pueden necesitar un repaso en una hoja de cálculo después.
Los archivos que obtienes
- Texto sin formato (.txt), en UTF-8, así que las letras acentuadas, el árabe y el chino llegan intactos.
- Un CSV por tabla, con el nombre de su número y su página, como table-01-page-3.csv, y marcado para que Excel lea bien las letras acentuadas.
- JSON, desactivado por defecto: cada línea de cada página con su posición y su tamaño de texto, para desarrolladores que procesan muchos PDF.
Para echar un vistazo rápido a una sola página no hace falta descargar nada: copia todo el texto o una tabla desde la vista previa.
Si algo sale mal
- No se encontró capa de texto. El PDF es un escaneo. Usa imagen a texto o PDF a Word con reconocimiento de texto.
- El texto es un galimatías. Algunos PDF usan fuentes sin una correspondencia correcta con las letras, así que su texto no se puede leer. El reconocimiento de texto es la forma de sortearlo.
- Las palabras se juntan o se separan. El PDF coloca letras sueltas en lugar de palabras. Prueba Conservar el diseño, que mantiene el espaciado original.
- Dice que el PDF está protegido con contraseña. Desbloquéalo primero con desbloquear PDF, si tienes derecho a hacerlo.
Usos populares de esta herramienta
Preguntas y respuestas
¿Por qué no he obtenido ningún texto?
Los PDF escaneados contienen imágenes de páginas, no texto. Pásalos antes por Imagen a texto (OCR).
¿Qué tal funciona la detección de tablas?
Funciona mejor con cuadrículas sencillas de columnas alineadas. Los diseños complejos pueden necesitar un retoque a mano.
¿Se sube mi documento?
No, la extracción se ejecuta en tu navegador.
Guías relacionadas
Cómo censurar un PDF correctamente
Ocultamos los datos privados de un extracto de cuatro maneras y luego intentamos recuperarlos. Los recuadros negros y una copia escaneada lo revelaron todo. Solo un método no dejó nada.