Convertidor online gratuito de PDF a TXT

Los scripts, las herramientas de terminal, los lectores electrónicos y los sistemas de archivado a veces solo aceptan texto sin formato, mientras que la edición o la indexación pueden requerir contenido sin el diseño de página de PDF. La conversión a TXT produce un archivo más pequeño y apto para búsquedas, pero elimina la mayor parte de la información visual y estructural.

Qué es el formato PDF

PDF, o Portable Document Format, almacena la apariencia de las páginas de un documento independientemente del sistema operativo, la aplicación y la impresora. Puede contener texto posicionado, fuentes incrustadas, gráficos vectoriales, imágenes rasterizadas, anotaciones, formularios, metadatos, hipervínculos y configuraciones de seguridad.

Los procesadores de texto, el software de autoedición, los escáneres, los navegadores web y los controladores de impresión crean archivos PDF. Las facturas, los manuales, los artículos académicos, los formularios gubernamentales, los informes, los ebooks y los registros escaneados suelen utilizar este formato. PDF está diseñado para reproducir las páginas con precisión, no para definir un orden de lectura fiable para el texto extraído.

Algunos archivos PDF restringen la copia o requieren una contraseña para abrirse. Adobe Acrobat no es la única aplicación que puede abrir un PDF protegido, y la conversión no puede eludir legítimamente el cifrado ni los controles de acceso. Necesitas la contraseña o el permiso necesarios antes de extraer contenido restringido.

Qué es el formato TXT

TXT es un archivo de texto sin formato que contiene caracteres y saltos de línea, sin fuentes, posiciones de página, imágenes, tablas, colores ni metadatos específicos de PDF. TXT no tiene una codificación de caracteres única obligatoria; UTF-8 es la opción más segura para los sistemas modernos porque admite caracteres Unicode y ofrece una amplia compatibilidad de software.

El texto sin formato funciona bien con herramientas de línea de comandos, índices de texto completo, sistemas de control de versiones, flujos de trabajo de accesibilidad, scripts y archivos legibles a largo plazo. Por lo general, es más pequeño y evita problemas de compatibilidad de fuentes o diseño, pero no puede conservar el diseño original de la página.

Convertir un PDF basado en texto con pdftotext

La utilidad pdftotext de Poppler está disponible mediante gestores de paquetes y compilaciones de escritorio para Linux, macOS y Windows. Extrae una capa de texto existente en lugar de interpretar imágenes de páginas.

1. Instala Poppler desde el gestor de paquetes de tu sistema operativo o desde una compilación de confianza.
2. Abre una terminal o el Símbolo del sistema y cambia a la carpeta que contiene el PDF.
3. Ejecuta pdftotext input.pdf output.txt.
4. Abre output.txt en un editor compatible con UTF-8 y comprueba el orden de lectura, los saltos de párrafo, las tablas y los caracteres especiales.

Para columnas o páginas en las que la extracción normal produce un orden de lectura deficiente, prueba pdftotext -layout input.pdf output.txt. Esto conserva un espaciado horizontal aproximado, pero puede añadir demasiados espacios y no garantiza un orden correcto de las columnas. La alternativa pdftotext -raw input.pdf output.txt utiliza una estrategia de orden diferente y puede funcionar mejor con algunos archivos.

Poppler normalmente escribe texto UTF-8. Si la versión instalada admite una opción de codificación explícita, utiliza pdftotext -enc UTF-8 input.pdf output.txt. Para un PDF cifrado, proporciona la contraseña autorizada con -upw para la contraseña de usuario o -opw para la contraseña del propietario, por ejemplo pdftotext -upw password input.pdf output.txt. Evita incluir las contraseñas directamente en el historial del shell cuando sea posible.

Para un PDF pequeño con texto seleccionable, copiar el texto en un editor de texto UTF-8 puede ser suficiente, pero a menudo se pierden las columnas, se insertan saltos de línea no deseados o se omite contenido. Los editores de PDF de escritorio también pueden ofrecer un comando de exportación de texto en File → Export; el menú exacto y los formatos disponibles dependen de la aplicación y la edición.

Convertir un PDF escaneado con OCR

Un PDF escaneado puede contener únicamente imágenes de páginas, por lo que pdftotext puede crear un archivo vacío o casi vacío. Ejecuta primero el reconocimiento óptico de caracteres con una aplicación de OCR como OCRmyPDF, que normalmente utiliza Tesseract:

1. Ejecuta ocrmypdf --deskew --rotate-pages input.pdf searchable.pdf para añadir una capa de texto en la que se puedan realizar búsquedas y corregir problemas habituales de alineación del escaneo.
2. Extrae la capa con pdftotext searchable.pdf output.txt.

Establece el idioma del OCR cuando sea necesario, por ejemplo ocrmypdf -l eng+deu input.pdf searchable.pdf. La precisión depende de la resolución, el tipo de letra, el contraste, la inclinación, los datos de idioma, la compresión y los daños de la página. Comprueba manualmente los nombres, las fechas, los números, la puntuación y los valores de las tablas, ya que el OCR puede confundir caracteres como 0 y O.

Convertir sin instalar software

Puedes convertir el archivo gratis en 101convert.com sin instalar software. Sube el PDF, elige TXT como formato de salida, inicia la conversión y descarga el resultado. No subas documentos confidenciales, regulados o con acceso restringido a menos que las condiciones de privacidad, conservación y procesamiento del servicio sean aceptables.

Limitaciones de calidad y compatibilidad

La extracción sigue el orden interno de los objetos de texto del PDF, que puede diferir del orden en que una persona lee la página. Los encabezados, pies de página, notas al pie, columnas, leyendas y barras laterales pueden aparecer en posiciones inesperadas. Inspecciona el resultado en lugar de tratarlo como una transcripción estructuralmente fiel.

TXT no tiene un modelo de celdas, filas o columnas, por lo que las tablas suelen perder sus límites. Las imágenes, firmas, dibujos, archivos incrustados, comentarios, marcadores, hipervínculos, fuentes, colores y el formato de página no se conservan. Utiliza un formato de tabla estructurado cuando los datos deban seguir siendo legibles para las máquinas como filas y columnas.

Las codificaciones de fuentes personalizadas y los PDF que representan las letras como contornos vectoriales pueden producir caracteres incorrectos o ausentes incluso cuando la página se ve legible. Puede ser necesario utilizar OCR u otra biblioteca de extracción de PDF. Conserva el PDF original junto con el archivo TXT porque la conversión es irreversible y el resultado de texto sin formato no puede recrear el diseño original.