Extraer el texto de un PDF

Funciones

• Extrae por página, con un rango opcional
• Reconstruye las líneas a partir de las coordenadas: una y parecida es una línea, ordenadas por x
• El texto CJK no se despliega con un espacio por carácter
• Marcadores de página opcionales, para poder seguir el original
• Con progreso, así que un documento largo dice por qué página va
• Un informe por página: los caracteres de cada una y exactamente cuáles no tienen texto, con sus números
• Distingue escaneos, páginas totalmente en blanco y páginas solo con cabecera o pie, para que lleves al OCR las páginas correctas
• Texto plano que puedes copiar o descargar como .txt
• No se sube nada ni interviene ningún servidor

Cómo se usa

1. Suelta un PDF
2. Indica un rango de páginas si solo necesitas una parte
3. El texto aparece abajo; usa Copiar o la descarga para documentos largos
4. Una segunda tarjeta es el informe por página: cuáles no tienen texto, para saber cuáles mandar al OCR
5. Con escaneos, haz primero el OCR

Preguntas frecuentes

¿Por qué un escaneo no produce texto?

Porque un escaneo es una imagen por página sin datos de texto que extraer: las letras están «pintadas» en píxeles, no «escritas» en el archivo. Sacar texto de él requiere OCR (reconocimiento óptico de caracteres), otra clase de herramienta. Puedes exportar las páginas primero con PDF a imagen y pasar esas imágenes a cualquier servicio de OCR. La prueba es sencilla: ¿puedes seleccionar el texto en tu lector de PDF? Si sí, se puede extraer; si no, es un escaneo.

Los párrafos salen desordenados, o las dos columnas se mezclan.

Es inherente a las maquetaciones a varias columnas. La regla es geométrica: ambas columnas comparten la y en una misma línea y solo difieren en x, así que agrupar por y las lee como una sola línea. Los documentos a una columna (contratos, artículos, avisos) no se ven afectados. Las cabeceras, los pies y las notas también se mezclan en el cuerpo por el mismo motivo: tienen posición pero no semántica, y ninguna herramienta de extracción puede evitarlo; solo cambia cómo lo manejan.

¿Por qué el orden no coincide con lo que veo?

La extracción sigue las coordenadas, y el orden de origen no tiene por qué coincidir con el visual: en un programa de maquetación el título puede haberse añadido después del cuerpo (más tarde en la lista de objetos, pero más arriba en la página). Esta herramienta reordena por y de arriba abajo y por x de izquierda a derecha, lo que suele coincidir con lo que ves, pero los títulos a toda página y las notas al margen aún pueden quedar raros. Contrasta con el original cuando importe la maquetación exacta.

¿Se sube el archivo?

No. La extracción se hace con pdf.js en el navegador (dentro de un Web Worker), sin ninguna petición de red, y funciona sin conexión. Contratos e informes no deberían pasar por un servidor de terceros.