Extractor de texto de PDF

Cómo se usa

1. Suelta un PDF sobre la tarjeta, pégalo con ⌘V / Ctrl+V o pulsa «Elegir PDF». El texto aparece en el cuadro de resultado página a página: no hay botón Extraer. Copiar y Descargar se activan cuando todas las páginas seleccionadas están listas y el estado se pone en verde.
2. De forma predeterminada, cada línea del PDF sigue siendo una línea y los párrafos se separan con una línea en blanco. Marca «Unir las líneas en párrafos» para unir las líneas cortadas: se eliminan los guiones al final de línea, las líneas en chino y japonés se unen sin espacio y las demás se unen con un solo espacio. Al cambiar una opción, el texto se reorganiza al instante sin volver a leer el PDF.
3. Escribe páginas como «1-3, 5» para conservar solo esas, en el orden en que las escribas; una página repetida aparece una sola vez. Se aceptan comas, signos de enumeración chinos y comas árabes, así como dígitos árabe-índicos, árabe-orientales y de ancho completo. Deja el cuadro vacío para incluir todas las páginas. Las marcas como «--- 3 / 12 ---» muestran el número de página original y se pueden desactivar.
4. Si el PDF necesita contraseña, escríbela en la fila que aparece y pulsa Intro. La contraseña solo se usa para abrir el archivo en esta pestaña.

Reglas, límites y problemas conocidos

• No se sube nada: el PDF se lee con la API File y lo analiza un Web Worker en esta pestaña. Las únicas peticiones de red son archivos de este mismo sitio: el motor de PDF y el worker al añadir el primer archivo, los mapas de caracteres de algunos PDF en chino, japonés y coreano, y el ejemplo cuando lo pides. No se guarda nada y al recargar se empieza de cero.
• Sin OCR. Los documentos escaneados, los PDF creados a partir de capturas de pantalla y el texto dentro de imágenes no se pueden extraer; esas páginas se indican como sin capa de texto.
• El orden de lectura sigue la estructura interna del PDF. Los diseños a varias columnas, las tablas, los encabezados, los pies de página y las notas al pie pueden intercalarse o salir en un orden distinto del que ves; no hay análisis de diseño.
• Las tablas salen solo como texto de las celdas. Se pierde la alineación de columnas y las celdas de una misma fila pueden quedar juntas.
• Unir líneas en párrafos es una heurística basada en el interlineado, el tamaño de fuente y los guiones al final de línea. Un guion que realmente forma parte de una palabra compuesta puede eliminarse si cae al final de una línea, y un encabezado puede unirse ocasionalmente al texto que tiene debajo.
• Si una fuente no tiene asignación Unicode, su texto sale ilegible o vacío. Es una propiedad del PDF; copiar desde un lector de PDF suele fallar del mismo modo.
• Ligaduras árabes: algunos productores de PDF (por ejemplo, con ciertas fuentes del sistema de macOS) asignan un glifo de ligadura a varios caracteres, así que las letras de su interior pueden salir invertidas (لا se convierte en ال). La herramienta no intenta adivinar una corrección, de modo que el texto correcto nunca se altera.
• El texto vertical se emite en el orden interno del PDF; no se garantiza el orden de lectura vertical.
• Si el autor ha restringido la copia, la herramienta extrae igualmente el texto y muestra un aviso. Asegúrate de que tienes derecho a usarlo.
• Contraseñas: solo se admite la contraseña de apertura (de usuario). Se usa para abrir el documento en esta pestaña, nunca se guarda y no se elimina el cifrado del PDF.
• Límites: un PDF a la vez, 50 MB y 2000 páginas. Los archivos mayores se rechazan indicando el tamaño o el número de páginas real. Los archivos de más de 20 MB o 300 páginas muestran un aviso de «puede tardar».
• El recuento de caracteres cuenta grafemas y excluye las marcas de página y los saltos de línea. No hay recuento de palabras para chino o árabe; pega el resultado en el contador de caracteres y palabras para obtener estadísticas detalladas.