Cómo extraer el texto de un PDF

Tienes un PDF y necesitas las palabras. No el diseño, no el formato, solo el texto, para pegarlo en un correo, meterlo en un documento, buscarlo o llevarlo a otro sitio. Copiar y pegar página a página funciona hasta que deja de funcionar: la selección se descontrola, las columnas salen revueltas y un archivo largo se convierte en veinte minutos de arrastrar con cuidado.

Sacar el texto de una vez es más rápido y más limpio. Aquí va cómo hacerlo sin mandar el PDF a ningún lado.

Dos tipos de PDF, y lo cambia todo

Antes de empezar, conviene saber qué tipo de PDF tienes, porque se comportan muy distinto.

Un PDF de texto se hizo a partir de un documento digital, como exportar desde un procesador de textos. El texto son caracteres reales y seleccionables por debajo. Si puedes resaltar una frase con el cursor y se selecciona limpia, es de este tipo. Extraer de estos es instantáneo y exacto.

Un PDF escaneado es en realidad una foto de una página. El “texto” es solo una imagen de letras. Tu cursor no puede seleccionarlo porque, para el ordenador, ahí no hay palabras, solo píxeles. Si intentas extraer texto no obtendrás nada, porque todavía no hay nada que extraer.

Prueba rápida: abre el PDF e intenta seleccionar una línea de texto. ¿Se selecciona? Es de texto. ¿No se deja? Es un escaneo, y necesitarás un primer paso distinto.

Extraer texto en tu navegador

Para un PDF de texto, files.co tiene una herramienta para extraer texto que funciona en tu dispositivo:

1. Abre la herramienta para extraer texto y suelta tu PDF.
2. Deja que lea el archivo. Tu navegador saca el contenido de texto del documento, en orden de lectura.
3. Coge el resultado. Copia el texto directo, o descárgalo como un archivo de texto plano que puedes usar donde quieras.

Sin seleccionar página a página, sin columnas revueltas que desenredar a mano. El texto de todo el documento sale de un solo gesto.

Si es un escaneo, primero OCR

Si tu PDF es un escaneo y la herramienta de extraer vuelve vacía, no estás atascado, solo necesitas un paso extra. El OCR (reconocimiento óptico de caracteres) mira la imagen de la página y deduce qué letras está viendo, convirtiendo la foto del texto en texto de verdad.

Pasa el archivo primero por la herramienta de OCR. Lee las imágenes y produce un PDF con una capa de texto real y seleccionable. Luego manda ese resultado a la herramienta para extraer texto y las palabras salen como en cualquier archivo de texto. Dos pasos, los dos en el navegador, nada subido.

Por qué no sale de tu máquina

Extraer texto es de esas tareas donde el ángulo de privacidad es fácil de pasar por alto, pero las palabras de un PDF suelen ser justo el motivo de quererlo privado. Las cláusulas de un contrato. Las cifras de un estado financiero. El cuerpo de un informe confidencial. Subir el archivo para sacar su texto entrega cada una de esas palabras a un servidor que no controlas.

files.co lee el texto en local. La herramienta corre en tu navegador con JavaScript: el PDF se carga en la memoria de tu dispositivo, el texto se lee ahí y el resultado es tuyo para copiar o descargar. No se manda nada a ningún sitio. ¿Quieres pruebas? Abre las DevTools (F12), mira la pestaña Red mientras extraes y no verás ninguna subida. O apaga la conexión y hazlo sin internet, funciona igual.

Qué podrías hacer después

Una vez tienes el texto, el PDF original suele seguir en juego. Un par de tareas vecinas, todas en el navegador en files.co:

• ¿Solo necesitas el texto de una parte del archivo? Divide esas páginas primero, y luego extrae.
• ¿Era un escaneo? Pasa el OCR para hacerlo buscable, lo que también ayuda a cada copia y pegado futuro.
• ¿Terminaste con el archivo y quieres cerrarlo? Protégelo con contraseña.

Para el caso de cada día es un paso. Abre la herramienta para extraer texto, suelta tu PDF, copia las palabras. Texto limpio, sin seleccionar a mano, y el documento nunca salió de tu ordenador.