MyDevTools
ES

PDF a Texto

Extrae la capa de texto de archivos PDF a .txt en UTF-8 en el navegador, con mapeo Unicode de fuentes y procesamiento por lotes. Sin subidas ni OCR.

Tus datos de entrada y archivos no salen del navegador

Subir PDF

o elige un archivo de tu dispositivo

En esta página

Extrae la capa de texto de archivos PDF a archivos .txt en UTF-8 plano en el navegador: para buscar, comparar versiones o pasar el texto a scripts. No se sube nada y no interviene ningún OCR.

Funcionalidad detallada

El extractor lee los comandos de texto de cada página y decodifica los caracteres mediante el mapa ToUnicode de la fuente, la tabla cmap TrueType incrustada o la codificación WinAnsi, por lo que el cirílico y otros textos no latinos salen correctamente cuando el PDF incluye ese mapeo. Se inicia una línea nueva donde el PDF pasa a la siguiente línea, y las páginas se separan con una línea en blanco.

Los PDF escaneados solo contienen imágenes y producen texto vacío, porque no hay OCR. Los diseños de varias columnas y las tablas se aplanan en el orden en que el texto está guardado en el archivo, y los espacios entre palabras dependen de cómo se generó el PDF. Los PDF protegidos con contraseña se rechazan con un mensaje claro.

Añade varios PDF a la vez: se procesan uno tras otro en un Web Worker con barra de progreso, Cancelar se detiene al instante y cada fila terminada recibe Descargar TXT, que guarda <name>.txt.

Ejemplos prácticos

Documento de dos páginas: un PDF cuyas páginas dicen «Second doc page A» y «Second doc page B» da Second doc page A, una línea vacía y Second doc page B.

Archivo grande: un PDF de 2500 páginas y 5.44 MB produce un big.txt de 36 KB mientras la página sigue respondiendo.

Contrato escaneado: un PDF formado por imágenes de página da un .txt vacío; pásalo antes por un OCR en otra herramienta.

Archivo protegido con contraseña: muestra «locked.pdf: el PDF está protegido con contraseña y no se puede procesar.» mientras los demás archivos del lote se siguen extrayendo.

Cómo usar esta herramienta

  1. Añade archivos PDF

    Haz clic en Elegir archivo o suelta uno o varios PDF en Subir PDF. Aparecen en Archivos para procesar.

  2. Extrae

    Haz clic en Extraer texto. La barra de progreso muestra el archivo actual; Cancelar detiene el lote.

  3. Descarga el texto

    Haz clic en Descargar TXT en una fila para guardar <name>.txt (UTF-8).

Consejos y mejores prácticas

  • Si el resultado está vacío, probablemente el PDF es un escaneo: no hay capa de texto que extraer.
  • Los caracteres ilegibles indican que el PDF no tiene un mapeo Unicode utilizable para su fuente; copiar desde un visor de PDF suele fallar igual.
  • Las tablas y columnas salen en el orden de almacenamiento, así que revisa el orden de las líneas antes de procesar el texto con scripts.
  • Al volver a pulsar Extraer texto, los archivos ya extraídos se omiten, así que puedes añadir más archivos a la misma lista.