Un PDF no guarda párrafos, guarda posiciones
El malentendido de fondo es este: un PDF no es un documento de texto, es la descripción de una página impresa. Dentro no hay capítulos ni párrafos, sino una lista de instrucciones del estilo «coloca estos caracteres con esta tipografía en estas coordenadas». Extraer el contenido consiste en recorrer esa lista y volver a montar las frases, y por eso el resultado a veces no es tan limpio como lo que ves en pantalla.
Esta herramienta hace ese recorrido dentro de tu propio navegador. El archivo se lee desde tu disco con la interfaz de ficheros del navegador, que solo autoriza accesos locales: no existe una subida previa ni un servidor esperando turno para procesarlo.
- Arrastra el PDF o selecciónalo desde tu equipo.
- Espera unos segundos mientras se recorren las páginas.
- Copia el texto al portapapeles o descárgalo como TXT en UTF-8.
Dos PDF que parecen iguales y no lo son
El que tiene capa de texto
Es el que sale de Word, Google Docs, LaTeX, una web impresa a PDF o cualquier programa que genere el documento directamente. Los caracteres están ahí como tales, con su tipografía y su codificación, y se recuperan enteros.
El escaneado
Es una fotografía de un papel metida dentro de un PDF. A la vista es idéntico — incluso más «auténtico», con su sello y su firma—, pero por debajo solo hay píxeles. Ahí no hay ninguna letra que copiar, y ningún extractor del mundo puede sacar lo que no está guardado.
Cómo distinguirlos en cinco segundos
- Intenta seleccionar un párrafo con el ratón. Si se marcan palabras sueltas, hay texto; si solo dibujas un recuadro sobre la página entera, es una imagen.
- Busca con Ctrl+F una palabra que estés viendo escrita. Si el buscador dice que no hay resultados, no está como texto.
- Amplía mucho el zoom. Las letras reales siguen nítidas a cualquier aumento; las escaneadas se deshacen en cuadraditos.
Por qué sin OCR no hay nada que hacer
Convertir píxeles en letras es una tarea completamente distinta: se llama OCR, reconocimiento óptico de caracteres, y consiste en analizar la imagen para adivinar qué carácter representa cada mancha. Es un proceso pesado, sensible a la calidad del escaneo, a la inclinación del papel y a las tipografías raras, y su resultado siempre hay que revisarlo.
Un extractor como este no adivina: lee lo que el documento declara. Si no encuentra texto, te lo dirá en lugar de devolverte una página en blanco, y sabrás que necesitas otra herramienta. Un caso intermedio frecuente son los escaneos «con OCR incorporado», donde alguien ya pasó ese proceso y guardó el texto invisible debajo de la imagen: esos sí funcionan, aunque arrastran los errores del reconocimiento original.
Dónde se descuadra el resultado
El orden de lectura es el punto débil. Como lo que se recorre son posiciones, un documento a dos columnas puede devolver frases alternadas de una y otra, porque están casi a la misma altura de la página. Pasa con revistas, artículos académicos y folletos plegados. La solución práctica es extraer y reordenar después, que sigue siendo más rápido que teclearlo todo.
Las tablas corren peor suerte: las líneas que las dibujan son gráficos, no texto, así que desaparecen y las celdas salen como fragmentos sueltos. Recuperas los datos, pero la estructura toca rehacerla. Encabezados, pies de página y números de página también se cuelan, porque para el PDF son texto igual de válido que el resto.
Para qué querrías el texto suelto
- Citar sin errores: copiar un fragmento literal de un informe o una ley, con la seguridad de no haber cambiado ni una coma al transcribirlo.
- Buscar de verdad: con el texto en un TXT puedes rastrear un término en decenas de documentos con las herramientas de tu sistema, sin abrirlos uno a uno.
- Accesibilidad: un lector de pantalla necesita texto real. Sacarlo a un archivo limpio permite que alguien lo escuche cuando el PDF original está mal etiquetado.
- Reutilizar contenido: llevar un manual antiguo a la web, traducirlo, resumirlo o volver a maquetarlo sin partir de cero.
Y cuando ya tengas el texto
Para medirlo tienes el contador de palabras y el contador de caracteres; si has extraído dos versiones de un mismo documento, comparar textos te muestra qué cambió. Sobre el PDF en sí puedes dividirlo para quedarte con el capítulo que te interesa o pasarlo a imagen con PDF a JPG. Más en herramientas de archivos.