Extraer texto de PDF
Elige un PDF y su texto incrustado se extrae en un solo bloque de texto plano que puedes copiar o descargar. Nada de lo que subas sale nunca de tu navegador.
Cómo funciona la extracción sin un servidor
Esta herramienta usa pdfjs-dist, el motor PDF.js de
código abierto creado por Mozilla (es lo que dibuja los PDFs
dentro de Firefox), funcionando por completo en tu pestaña del
navegador. En lugar de dibujar píxeles en un lienzo como haría
un visor de PDF, pide directamente a cada página su contenido de
texto: PDF.js decodifica los objetos del flujo de contenido de
la página que representan texto realmente incrustado — fuente,
posición y la cadena en sí — y getTextContent()
los devuelve como una lista plana de elementos, cada uno con su
cadena extraída. Esta herramienta une los elementos de cada
página con un espacio, separa las páginas con una línea en
blanco, y coloca el resultado completo en el cuadro de texto de
arriba. Como lee objetos de texto reales en vez de una imagen de
la página, una página escaneada no tiene nada que leer — ahí no
hay ningún objeto de texto, solo píxeles.
Ejemplo práctico
Supongamos que tienes un PDF de 2 páginas. El flujo de contenido de la página 1 tiene los objetos de texto Q4 Sales Report Prepared by Finance Team (7 palabras, 40 caracteres); la página 2 dice Total revenue: $128,400 (3 palabras, 23 caracteres). Elegir este archivo produce un solo bloque de texto — el de la página 1, una línea en blanco, y luego el de la página 2 — con un total combinado de 65 caracteres y 10 palabras, exactamente lo que mostraría la fila Páginas / Palabras / Caracteres sobre el resultado.
Preguntas frecuentes
¿Se sube mi PDF a algún servidor?
No. El archivo se lee localmente con la API File del navegador, y pdfjs-dist — el mismo motor PDF.js que usa Firefox para mostrar PDFs — extrae el texto por completo dentro de tu pestaña. Nada se envía a ningún servidor, así que los documentos privados o confidenciales nunca salen de tu dispositivo.
¿Por qué falta parte o todo el texto en el resultado?
Esta herramienta extrae objetos de texto reales e incrustados en el flujo de contenido del PDF — no hace OCR. Si una página es una imagen escaneada, una foto de un documento, o de cualquier otra forma no tiene una capa de texto real, no hay nada que leer en esa página: desde el punto de vista del PDF son solo píxeles, no caracteres. Si necesitas extraer texto de un documento escaneado, necesitas una herramienta de OCR, que esta deliberadamente no es.
¿El texto extraído conserva el diseño original, como columnas o tablas?
No — el texto sale en el orden en que pdfjs-dist lo encuentra en el flujo de contenido de la página, uniendo los elementos de cada página con espacios y separando las páginas con una línea en blanco. Los diseños a varias columnas pueden entremezclarse, y las tablas pierden su estructura de cuadrícula, ya que se trata de una extracción de texto plano, no consciente del diseño.
¿Hay un límite de tamaño de archivo o número de páginas?
El único límite real es la memoria disponible de tu navegador, ya que todo ocurre en tu dispositivo en lugar de en un servidor. Los documentos típicos — incluso unos cientos de páginas de texto normal — se extraen en bien menos de un segundo; los PDFs escaneados muy grandes (cientos de megabytes) tardarán más simplemente en leerse y decodificarse.