Conversor de PDF a texto

Abre el archivo original en un lector de PDF e intenta seleccionar algunas palabras. Un PDF con texto seleccionable almacena caracteres que el extractor puede leer. Un PDF escaneado almacena imágenes de las páginas; para convertir esas imágenes a texto se necesita reconocimiento óptico de caracteres (OCR).

Un documento mixto puede incluir ambos tipos de contenido. Que la extracción normal termine correctamente no significa que se hayan leído todas las páginas que son imágenes. Compara el número de páginas con el documento original; la acción de OCR sustituye el resultado actual, no lo combina con él.

El OCR en inglés admite texto impreso y nítido en un máximo de 20 páginas. Endereza las páginas giradas, usa un escaneo claro y mejora el contraste si es posible. Es posible que tengas que corregir manualmente las tablas, las columnas, la escritura manuscrita y las imágenes de baja resolución.

El sitio proporciona el script y el worker de Tesseract. Cuando se necesita OCR, el motor de reconocimiento y los datos de idioma inglés se descargan desde jsDelivr. El PDF y las imágenes de sus páginas permanecen en tu navegador. Si un problema de conexión o una restricción del navegador impide iniciar el OCR, puedes seguir extrayendo el texto seleccionable.

• Compara con el original los nombres, las fechas, los totales y caracteres que se parecen, como I/l/1 y O/0.
• Si la inicialización se queda bloqueada, selecciona «Cancelar conversión», restablece la conexión e inténtalo de nuevo. El OCR no tiene un límite de tiempo automático cuando el procesamiento es válido.
• No se ha implementado el OCR para otros idiomas. No confíes en el reconocimiento en inglés para procesar un escaneo en otro idioma.

El extractor reconstruye las palabras, el orden de lectura, los saltos de línea y los espacios entre párrafos a partir de la posición del texto. El resultado es texto sin formato, no una réplica de la página. No se conservan las fuentes, los colores, las imágenes ni el formato avanzado; el orden de las columnas y las tablas complejas puede cambiar.

Este espacio de trabajo solo permite editar el texto extraído. No modifica el texto del PDF original, no oculta información ni exporta archivos de Word. Para crear un PDF nuevo con el texto corregido, usa «Texto a PDF».

Límites: archivos de entrada de 30 MB y 200 páginas; resultado editable de hasta 2.000.000 de caracteres; OCR en inglés de hasta 20 páginas. Si aparece un error de límite, divide el documento con otra herramienta de confianza o elige un archivo más pequeño. PDFTextFlow no trunca la extracción sin avisar.

• Se necesita una contraseña: introduce la contraseña conocida en «¿PDF protegido con contraseña?» e inténtalo de nuevo. Si el cifrado no es compatible, quizá tengas que guardar una copia sin cifrar con un lector de PDF de confianza, siempre que tengas autorización para hacerlo.
• PDF no válido o dañado: descarga otra copia o vuelve a guardarlo con un lector de PDF. Cambiar la extensión de otro tipo de archivo a .pdf no lo convierte en un PDF.
• Orden de lectura inesperado: compara las tablas y columnas con el original y corrige el resultado antes de copiarlo.
• No puedes copiar el texto: selecciónalo en el editor y usa el teclado o la función de copia del dispositivo. También puedes guardarlo descargándolo como archivo TXT.

El análisis del PDF, la reconstrucción del texto y el reconocimiento OCR se ejecutan en este navegador. En este proceso de conversión, el PDF original no se sube. El sitio sí carga scripts y otros recursos; el OCR opcional descarga sus recursos de reconocimiento desde un servidor externo.

Guarda el resultado antes de cerrar la página o salir de ella. PDFTextFlow no ofrece almacenamiento en la nube ni un historial de conversiones. Mientras se procesa un archivo, no puedes sustituirlo; cancela la operación para volver a intentarlo o elegir otro archivo.