Convertidor online gratuito de PDF a TEXT

Un script, un editor de terminal, una base de datos o un sistema de archivado pueden requerir texto sin formato en lugar de un PDF. La conversión crea un archivo .txt más pequeño y con capacidad de búsqueda, pero las páginas escaneadas requieren OCR antes de que se puedan extraer sus palabras.

Qué es el formato PDF

PDF (Portable Document Format) es un formato de diseño fijo desarrollado por Adobe para conservar las dimensiones de página, las fuentes, el posicionamiento, las imágenes y otros elementos del documento en distintos sistemas operativos. Los procesadores de texto, las aplicaciones de autoedición, los escáneres, los navegadores web y las impresoras virtuales crean archivos PDF; entre el software habitual se incluyen Adobe Acrobat, Microsoft Word, LibreOffice y macOS Preview.

Un PDF puede contener una capa de texto seleccionable, únicamente imágenes de páginas o ambas cosas. Su diseño puede incluir columnas, tablas, encabezados, pies de página, etiquetas posicionadas, fuentes incrustadas, formularios, comentarios y enlaces. PDF se utiliza para contratos, facturas, manuales, informes, registros escaneados y documentos que deben conservar su apariencia visual al compartirse o imprimirse.

Qué es el formato TEXT

TEXT normalmente significa un archivo de texto sin formato, como document.txt. Almacena caracteres y saltos de línea sin fuentes, colores, imágenes, geometría de página, tablas, hipervínculos ni otros estilos.

El texto sin formato ocupa poco espacio y es ampliamente compatible con herramientas de línea de comandos, scripts, bases de datos, sistemas de control de versiones, sistemas de correo electrónico, editores de terminal, lectores de pantalla y flujos de trabajo de procesamiento de datos a largo plazo. Es fácil de buscar y editar, pero no puede conservar el diseño visual del PDF ni representar de forma fiable las tablas estructuradas.

Cómo convertir PDF a TEXT

Uso del conversor de 101convert.com

1. Abra la página de conversión de PDF a TEXT en 101convert.com.
2. Cargue el PDF y seleccione TEXT o TXT como formato de salida.
3. Inicie la conversión y descargue el archivo .txt generado.

Esta opción se ejecuta en un navegador web sin instalar software. No cargue documentos confidenciales o regulados a menos que las condiciones actuales de privacidad y retención del servicio sean aceptables.

Uso de pdftotext de Poppler

pdftotext de Poppler es una opción rápida y adecuada para scripts para PDF que contienen texto seleccionable. Instale Poppler mediante el gestor de paquetes del sistema operativo y, a continuación, ejecute:

pdftotext -enc UTF-8 input.pdf output.txt

Para documentos con columnas o tablas simples, pruebe:

pdftotext -layout input.pdf output.txt

-layout conserva más espaciado horizontal, pero los espacios adicionales pueden hacer que el análisis posterior sea menos fiable. Para extraer únicamente las páginas 2 a 5, use:

pdftotext -f 2 -l 5 input.pdf output.txt

En Windows, ejecute el comando desde el directorio que contiene los binarios de Poppler o añada ese directorio a PATH. En macOS y Linux, una instalación mediante el gestor de paquetes normalmente hace que pdftotext esté disponible en la terminal.

Uso de software de escritorio

En Adobe Acrobat, abra el PDF y seleccione File → Export To → Text; después, seleccione el destino y guarde el archivo de texto sin formato. Los nombres de los menús pueden variar según la versión de Acrobat. Algunos otros visores de PDF ofrecen una opción de texto sin formato en File → Save As, pero muchos solo guardan un PDF nuevo.

Para PDF escaneados

Si no se pueden seleccionar o copiar las palabras, probablemente el PDF contenga imágenes de páginas en lugar de una capa de texto. Ejecute primero OCR con OCRmyPDF, que normalmente utiliza Tesseract:

ocrmypdf -l eng --deskew input.pdf searchable.pdf

La opción -l eng selecciona los datos de reconocimiento en inglés; use el código de idioma instalado correspondiente para otro idioma o para un documento multilingüe. A continuación, extraiga el texto de OCR:

pdftotext -enc UTF-8 searchable.pdf output.txt

OCRmyPDF puede requerir paquetes independientes de datos de idioma de Tesseract. No se necesita OCR cuando el PDF original ya contiene texto seleccionable preciso.

Limitaciones de calidad y compatibilidad

• La extracción de texto sigue las posiciones de los caracteres almacenadas en el PDF, que no necesariamente coinciden con el orden de lectura previsto. Las páginas con varias columnas, las barras laterales, las notas al pie, el texto girado, los encabezados y las etiquetas decorativas pueden aparecer fuera de secuencia.
• Las tablas normalmente se convierten en líneas de texto con espacios o delimitadores incoherentes. Si los datos deben conservar su estructura, expórtelos a CSV u otro formato tabular en lugar de TXT y compruebe cada fila y columna.
• Las ligaduras, las asignaciones de fuentes ausentes, las codificaciones inusuales y los PDF dañados pueden producir caracteres incorrectos. Compruebe los nombres, números, símbolos y el texto no latino con respecto a la fuente original.
• OCR puede interpretar incorrectamente los caracteres, especialmente en escaneos de baja resolución, inclinados, con ruido, manuscritos o con una composición tipográfica inusual. Revise manualmente los resultados importantes.
• El texto sin formato no conserva imágenes, colores, diseño de página, enlaces en los que se puede hacer clic, comentarios, campos de formulario ni números de página visuales.
• Los PDF protegidos con contraseña o con restricciones de extracción pueden requerir la contraseña correcta o el permiso del propietario antes de la conversión; las herramientas de conversión no deben utilizarse para eludir los controles de acceso.