Extraer texto de PDF
PDF a texto saca las palabras de un documento para que puedas copiarlas o buscarlas. Lee el texto que el PDF ya lleva, exactamente tal como se puso, en lugar de mirar la página y adivinar las letras como hace el OCR. Por eso un escaneo — que solo contiene imágenes de palabras — no produce nada aquí, y la herramienta lo avisa en vez de inventarse algo.
Suelta aquí un PDF
o suéltalo en cualquier parte de la página · Elegir un archivo · 100 MB
Aceptados: PDF
¿Cómo funciona Extraer texto de PDF?
Un PDF no contiene párrafos. Contiene instrucciones para colocar glifos en coordenadas — “dibuja este carácter en x=72, y=708 con esta fuente y a este tamaño” — repetidas unos cuantos miles de veces por página. Extraer texto significa recopilar esas instrucciones y reconstruir las palabras y las líneas a partir de dónde quedaron las cosas.
Esto no es OCR, y la diferencia importa
El OCR mira una imagen de una página y reconoce formas como letras, con una tasa de error. La extracción de texto lee los caracteres que el documento ya almacena, de forma exacta. Cuando existe la capa de texto el resultado es perfecto — todos los caracteres, incluidos los que el OCR confunde sistemáticamente, como rn frente a m y l frente a 1.
Cuando la capa de texto no existe — una página escaneada es una fotografía, y las fotografías no tienen caracteres — no hay nada que extraer. La herramienta informa de cuántas páginas salieron vacías en lugar de devolver silencio y dejarte creer que tu archivo estaba roto. Para esos documentos el OCR es la herramienta correcta, y es un software genuinamente distinto.
Reconstruir los saltos de línea
Los elementos de texto que devuelve pdf.js son fragmentos posicionados, no líneas. Unirlos con espacios produce un solo párrafo largo por página, ilegible para cualquier cosa con maquetación. Por eso se compara la coordenada vertical de cada fragmento con la del anterior: un descenso apreciable es una línea nueva, un descenso mayor es un salto de párrafo, y un fragmento a la misma altura es una continuación.
Es una aproximación, y lo admite. Los diseños de varias columnas son donde se nota: el extractor lee en el orden en que se dibujaron los glifos, que en un artículo académico de dos columnas suele ser a través de ambas columnas en lugar de hacia abajo en una. Nada menos que un análisis completo de la maquetación lo arregla, y el análisis de maquetación adivina.
Ligaduras, guiones y el espacio que falta
Tres artefactos aparecen en el texto extraído con la frecuencia suficiente para reconocerlos. Una ligadura — el glifo único para fi o ffl — puede extraerse como un solo carácter que se ve bien pero no coincide con una búsqueda de “fi”. Una palabra partida con guion en un salto de línea sigue partida, porque el guion es un carácter real del documento. Y dos palabras sin espacio entre ellas suelen significar que el PDF las posicionó por separado en lugar de escribir un carácter de espacio, algo común en textos compuestos con software de tipografía.
Todo se queda en la pestaña
La extracción se ejecuta en tu navegador. Esto importa más que en la mayoría de las herramientas, porque los documentos de los que la gente extrae texto son contratos, informes y estados de cuenta — y el texto extraído es justamente eso mismo en una versión que puedes buscar, procesar con grep y pegar en cualquier parte.
Entrada
invoice.pdf (2 pages, text layer present)
Salida
--- page 1 --- INVOICE 2026-0412 Ada Lovelace Ltd Due: 30 September 2026 --- page 2 --- Terms and conditions…
¿Qué opciones y casos límite admite Extraer texto de PDF?
| Parámetro | Tipo | Valor predeterminado | Comportamiento y casos límite |
|---|---|---|---|
| Capa de texto | lectura exacta | — | Los caracteres se toman tal como están almacenados en el documento. Sin reconocimiento, por lo que no hay tasa de error — a diferencia del OCR, que adivina a partir de píxeles. |
| Páginas escaneadas | vacío | informado | Un escaneo es una imagen de palabras y no contiene caracteres. Se muestra el número de páginas vacías en lugar de dejarlo que lo infieras. |
| Saltos de línea | reconstruido | activado | A partir de la posición vertical de cada fragmento de texto. Una caída significativa es una línea, una mayor es un párrafo. Desactívalo para obtener un bloque continuo por página. |
| Marcadores de página | booleano | activado | Una línea --- página N --- entre páginas, que hace que una extracción larga sea navegable. |
| Diseños de varias columnas | aproximado | — | Se lee en orden de dibujo, que para dos columnas suele ser de izquierda a derecha en lugar de de arriba abajo. Solucionar esto requiere análisis de diseño, que es una suposición. |
| Ligaduras | tal como está almacenado | — | Una ligadura fi puede resultar en un solo carácter que se ve correcto y no coincide con una búsqueda de las dos letras. |
| División de palabras | preservado | — | Una palabra dividida entre líneas mantiene su guión, porque el guión es un carácter real en el documento y no un artefacto de renderizado. |
| PDFs cifrados | rechazado | — | Desbloquea primero con la contraseña. |
Preguntas frecuentes
No obtuve nada. ¿Está roto mi PDF?
Casi con seguridad no — es un escaneo. Un documento escaneado es una fotografía de una página, y una fotografía no contiene caracteres, solo píxeles dispuestos para parecerlo. No hay capa de texto que extraer, y por eso la herramienta informa del número de páginas vacías en lugar de devolver silencio. Para ese documento necesitas OCR, que reconoce formas como letras y tiene una tasa de error; esto lee caracteres que ya están ahí y no tiene ninguno.
¿Por qué mi documento de dos columnas sale revuelto?
Porque la extracción lee los glifos en el orden en que se dibujaron, y en un diseño de dos columnas eso suele ser columna izquierda, columna derecha, columna izquierda — a lo ancho de la página en lugar de hacia abajo en cada columna. Reconstruir el orden de lectura previsto exige analizar la geometría de la página y decidir dónde están las columnas, lo cual es adivinanza que falla con tablas, barras laterales y figuras. Esta herramienta no adivina; te dice en qué orden están los caracteres.
¿Por qué algunas palabras salen pegadas?
Porque el PDF nunca escribió un espacio entre ellas. El software de composición tipográfica suele posicionar cada palabra de forma independiente en lugar de emitir un carácter de espacio, así que el hueco visual es una diferencia de coordenadas sin ningún carácter detrás. Un extractor que insertara espacios dondequiera que viera un hueco también los insertaría dentro de palabras con kerning, lo cual es peor. Este es el artefacto más común del texto extraído de un PDF y es inherente al formato.
¿Esto es OCR?
No, y es lo más útil que puedes saber sobre ella. El OCR mira una imagen y reconoce caracteres, lo que funciona con escaneos y tiene una tasa de error — confunde rn con m, l con 1, y lo hace mal con escaneos de baja calidad. Esto lee los caracteres que el documento ya almacena, así que donde hay capa de texto el resultado es exacto. Las dos herramientas resuelven problemas distintos y ninguna sustituye a la otra.
¿Puedo extraer texto solo de algunas páginas?
El documento completo se extrae con marcadores de página, lo que hace trivial encontrar la parte que buscas — busca "--- page 7 ---" y toma lo que sigue. Un rango por páginas te ahorraría un desplazamiento y te quitaría la posibilidad de buscar en todo el documento de una vez, que suele ser la razón por la que la gente extrae texto en primer lugar.
¿Se sube mi documento?
No. pdf.js se ejecuta en esta pestaña — es el motor de Mozilla, el mismo código que usa Firefox para mostrar PDFs — y el texto se extrae en tu equipo. Esto importa aquí porque el texto extraído es la versión totalmente buscable, lista para copiar y pegar, de todo lo que contuviera el documento.