PDF a Texto — Extractor de Texto en Línea Gratis

Un PDF digital fue producido por software, por lo que contiene los caracteres en sí. Un PDF escaneado es un conjunto de imágenes de páginas producidas por un escáner o una cámara, por lo que no contiene caracteres en absoluto. Esa diferencia decide todo sobre el resultado. El archivo digital te da texto exacto. El archivo escaneado tiene que ser reconocido, y el reconocimiento es muy bueno en escaneos limpios y menos bueno en escaneos torcidos, borrosos o mal iluminados. Por lo general, puedes decir qué tipo tienes al abrir el archivo en un lector de PDF y tratar de seleccionar una línea de texto con el mouse. Si la selección resalta palabras, hay una capa de texto.

Para páginas con una capa de texto real, sí. Los caracteres se leen del archivo en lugar de ser reconocidos de una imagen, por lo que no se ejecuta OCR sobre ellos y no hay nada que malinterpretar. El orden de lectura es lo único que aún puede sorprenderte, porque la capa de texto almacena dónde se encuentra cada grupo de caracteres en lugar de lo que significa, por lo que una página con columnas o barras laterales puede salir en un orden que no coincide con el movimiento de tu ojo. Las palabras en sí son las palabras en el archivo. Las páginas sin capa de texto pasan por OCR en su lugar, y esas tienen la precisión de reconocimiento habitual.

Hasta 25 páginas por PDF. Se acepta un archivo más largo: se extraen las primeras 25 páginas y un aviso en el resultado te dice cuántas páginas se dejaron fuera. El límite está ahí porque el trabajo se ejecuta en tu propio hardware, y un documento escaneado largo significa un paso de OCR por página dentro de la pestaña de tu navegador. Si necesitas el resto, divide el archivo en un lector de PDF y ejecuta las páginas restantes como un segundo archivo.

No. Un PDF encriptado no se puede abrir sin su contraseña, y esta página no te pide una ni intenta eludir la protección. Obtienes un error claro en lugar de un resultado en blanco. Abre el archivo en el lector que normalmente usas, autentica de la manera que normalmente lo haces, guarda una copia con la contraseña eliminada y ejecuta esa copia aquí.

No. El archivo se lee desde tu disco en la página y se abre con un lector de PDF que se ejecuta en tu navegador. No hay un punto de carga en este sitio para recibirlo. Ese es el objetivo principal para los documentos que la gente realmente trae a una herramienta como esta: estados de cuenta bancarios, recibos de sueldo, formularios de impuestos, contratos firmados y escaneos de una identificación. Observa la pestaña de red durante una ejecución y verás el lector y el modelo de OCR llegando, y nada saliendo con tu documento.

El lado de OCR lee inglés, español, rumano, árabe, griego, turco, indonesio, ruso y japonés. Elige el idioma antes de extraer, porque el motor compara formas con el modelo que eliges y el modelo incorrecto lee mal. Las páginas que ya tienen una capa de texto ignoran completamente la configuración, ya que esos caracteres se leen del archivo tal como están, independientemente del guion en el que estén escritos.

Sí. Selecciona un lote y los archivos se procesan en secuencia en lugar de en paralelo. Cada resultado aparece tan pronto como su archivo está terminado, por lo que puedes comenzar a leer mientras el resto aún se está ejecutando. La zona de arrastre muestra el límite para una sola ejecución. El procesamiento secuencial mantiene el uso de memoria predecible, lo que es más importante en un teléfono.

No. La salida es texto plano, por lo que una tabla regresa como el contenido de sus celdas en lugar de una cuadrícula, y los encabezados, notas al pie y leyendas no se marcan como nada. El orden de lectura también puede diferir del diseño visual, porque la posición es lo que el archivo almacena y el significado no. La prosa directa casi siempre llega en el orden correcto. Una página con barras laterales, varias columnas o un formulario lleno es donde debes leer la salida antes de confiar en ella.

No, y preferiríamos decirlo aquí que dejar que lo descubras con un archivo que importa. El motor de OCR está entrenado en caracteres impresos. La escritura a mano, las firmas y los campos de formulario escritos a mano están fuera de lo que puede hacer, y lo que regresa de ellos es ruido con forma de texto. Una página escaneada que mezcla impresión con escritura a mano te da la parte impresa y tonterías donde está la escritura.

Texto plano. Cópialo en tu portapapeles con un botón o descárgalo como un archivo .txt, con las páginas separadas y etiquetadas para que puedas encontrar tu lugar en un documento largo. No hay archivo de procesador de texto, no hay PDF buscable y no se conserva ningún formato. Si necesitas las palabras en otro lugar, pégalas en un documento, una hoja de cálculo o un traductor.

Esa es la otra dirección, y tiene su propia página en este sitio. El convertidor de JPG a PDF toma fotos o escaneos y los escribe en un solo PDF, en tu navegador, sin nada subido. Úsalo cuando tengas imágenes y necesites un documento. Usa esta página cuando tengas un documento y necesites las palabras de él.

Sí, gratuito sin cuenta y sin contador de uso. No hay registro, no hay marca de agua en el texto, no hay créditos y no hay nivel de pago que retenga una mejor versión. La extracción se ejecuta en tu propio hardware, por lo que no hay costo por archivo en el servidor que debamos pasar a ti.