Convertir PDF a texto
Herramienta gratuita que extrae el texto de un PDF y lo convierte en un archivo de texto (TXT). Las páginas que ya tienen texto se extraen tal cual, y el texto de las páginas escaneadas se reconoce con OCR (reconocimiento óptico de caracteres). El PDF se procesa en tu navegador y nunca se sube. Con OCR puedes reconocer hasta 200 páginas a la vez (30 páginas en dispositivos en los que el proceso es más lento). Puedes abrir PDF de hasta 200 MB por archivo (100 MB en móviles y tabletas).
Solo cuando un PDF tiene páginas sin texto (como las escaneadas) o con texto dañado, la primera ejecución descarga un modelo de IA (unos 17 MB) desde este sitio; las siguientes usan la copia guardada en tu navegador. Tus PDF nunca se suben.
Ajustes
Cómo se usa
- 1
Añade los PDF
Elige o arrastra los PDF que quieres convertir a texto. Puedes añadir varios PDF a la vez. Los PDF nunca se suben.
- 2
Elige el idioma del documento y la separación de páginas
En «Idioma del documento», elige el idioma en que está escrito el PDF (se usa al reconocer páginas escaneadas). Para convertir solo algunas páginas, indícalas en «Intervalo de páginas». Elige qué va entre páginas en «Separación de páginas».
- 3
Convierte y guarda
Pulsa «Ejecutar» para crear un archivo TXT con el texto del PDF. Guárdalo con «Guardar» o copia todo el texto con «Copiar texto». Si se reconocieron páginas escaneadas, puedes revisar las líneas reconocidas con «Revisar el texto reconocido».
Sobre convertir PDF a texto
El texto de las páginas que ya lo tienen se extrae con PDFium, el motor de PDF que también usa Chrome, sin ningún modelo de IA. Las páginas sin texto y las páginas con texto dañado (al seleccionarlo aparecen otros caracteres) se reconocen con el modelo de reconocimiento de texto de PaddleOCR (PP-OCRv6, Apache-2.0), que se ejecuta en tu navegador. Solo en ese caso, la primera ejecución descarga el modelo de IA (unos 17 MB) desde este sitio; las siguientes usan la copia guardada en tu navegador. En los PDF con muchas páginas que tienen texto, la herramienta pregunta antes de descargar el modelo de IA. En los dispositivos que no pueden usar la GPU (WebGPU), el proceso se hace con la CPU y tarda más que con la GPU.
De las páginas que ya tienen capa de texto OCR se extrae ese texto. En las páginas con texto e imágenes mezclados, se extrae el texto y se reconocen las partes que no se solapan con él. Si hay más páginas para reconocer con OCR de las que se pueden reconocer a la vez, se reconocen desde el principio las páginas sin texto y se muestran los números de las páginas no reconocidas. El archivo guardado es un archivo de texto UTF-8 (.txt). En «Separación de páginas» puedes elegir qué va entre páginas (de forma predeterminada, una línea separadora como «--- 1 / 3 ---»).
Especificaciones de esta herramienta
- Entrada
- Salida
- TXT
- Límites
- Sin límite de archivos (procesamiento por lotes). Hasta 200 MB por archivo (100 MB en móviles y tabletas). Hasta 200 páginas reconocidas con OCR a la vez (30 páginas en dispositivos que procesan con la CPU; se muestran los números de las páginas que exceden ese límite)
- Gratis, sin registro, sin instalar aplicaciones
- Los archivos nunca se suben (se procesan en tu navegador)
Preguntas frecuentes
¿Se envía mi PDF a un servidor?
No. La lectura del PDF, la extracción del texto y el reconocimiento del texto de las páginas escaneadas se hacen en el navegador de tu dispositivo. Las estadísticas que nos ayudan a corregir errores (el intervalo del número de páginas, los intervalos de cuántas páginas tuvieron texto extraído y cuántas se reconocieron con OCR, el intervalo del tiempo por página, tipos de error, etc.) se envían al servidor de este sitio. No incluyen el contenido del PDF, el texto extraído, el texto reconocido, los nombres de archivo, las contraseñas ni los intervalos de páginas que indicas. Puedes desactivar el envío de estadísticas con el interruptor «Enviar estadísticas de procesamiento» al pie de la página.
¿Puede extraer el texto de un PDF escaneado?
Sí. Las páginas sin texto y las páginas con texto dañado se reconocen con OCR (reconocimiento óptico de caracteres). Está pensada para texto impreso en horizontal. También reconoce páginas con texto vertical, pero con más errores que el texto horizontal, y puede omitir signos de puntuación. El texto escrito a mano no es compatible. Para que un PDF admita búsquedas sin dejar de ser PDF, usa «OCR de PDF».
¿Puede extraer el texto de un PDF con contraseña o con restricciones del autor?
Sí. Un PDF con contraseña se abre al introducir la contraseña de apertura. Si el autor ha restringido la copia y la extracción, la herramienta no extrae el texto hasta que introduzcas la contraseña de permisos. Esta herramienta no intenta adivinar contraseñas, así que, si no conoces la contraseña de permisos, consúltalo con quien creó el PDF. Un archivo de texto (TXT) no puede llevar contraseña ni restricciones, así que cualquiera puede abrir el archivo guardado. El texto tapado con anotaciones, como recuadros negros, también se extrae si sigue en el archivo como texto; para eliminar texto del archivo, usa «Censurar PDF».
¿Puede haber errores en el texto extraído?
Sí. En las páginas reconocidas con OCR, según el tamaño del texto, la resolución del escaneo y las manchas o la inclinación del papel, algunos caracteres pueden reconocerse mal u omitirse. Los números muy espaciados dentro de tablas se reconocen mal con más frecuencia que el resto del texto. Si eliges japonés en «Idioma del documento», los caracteres que quedan fuera de los niveles 1 y 2 de JIS y los emojis pueden reconocerse como caracteres de forma parecida. Las columnas y las tablas pueden quedar en un orden distinto al de lectura. Las páginas que tienen texto siguen el orden guardado en el PDF, y en las páginas reconocidas con OCR una tabla con celdas largas puede quedar ordenada columna por columna. Pulsa «Revisar el texto reconocido» para ver sobre la página las líneas reconocidas con OCR, con las más propensas a contener errores en otro color.
Ayúdanos a mejorar el servicio
Cuando una conversión falla, enviarnos las circunstancias nos ayuda a encontrar la causa. Saber qué dispositivos y formatos fallan más, y cuánto tarda el procesamiento, nos permite revisar los formatos admitidos y corregir los errores. Si no te importa, dejarlo activado nos ayuda mucho.
Qué se envía
- La herramienta usada y los ajustes elegidos (formato de salida, calidad, etc.)
- Las características del dispositivo (GPU, memoria, número de núcleos)
- El formato de entrada con su tamaño aproximado
- Cuántos archivos tuvieron éxito o fallaron y cuánto tardó
- El tipo y los detalles del error cuando algo falla
Qué no se envía nunca
- Los archivos en sí y los nombres de archivo
- El texto de los PDF, el texto que reescribes o censuras, las contraseñas, los nombres de fuentes y los intervalos de páginas que indicas
- El texto reconocido y la posición de las líneas reconocidas
- Las direcciones IP
Los datos van únicamente al servidor de este sitio, nunca a un servicio de terceros.
La lista completa, con el detalle que envía cada herramienta, está en «Estadísticas de procesamiento» de la política de privacidad.
Detalle que envía esta herramienta (solo cantidades, tiempos, tipos y sí/no)
Además de lo indicado en «Qué se envía», esta herramienta envía los siguientes datos.
- Herramientas de PDF (todas)
- El rango del número de páginas, si la edición está restringida, si se introdujo la contraseña de permisos y si el PDF tiene firma o está cifrado.
- PDF a texto
- El número de entradas y salidas, de páginas con texto extraído, de páginas que ya tenían texto OCR, de páginas con texto e imágenes mezclados, de páginas reconocidas con OCR, de páginas reconocidas sin texto encontrado, de páginas con texto dañado, de páginas en blanco, de páginas reordenadas como texto vertical, de páginas cuya orientación se corrigió, de páginas no reconocidas porque no se descargó el modelo de IA y de páginas no reconocidas por superar el número que se puede reconocer a la vez, de líneas y caracteres reconocidos, y de zonas y caracteres no reconocidos por solaparse con texto existente o anotaciones (todo como intervalos), los intervalos de la proporción de líneas verticales y de líneas más propensas a contener errores, los intervalos del tiempo por página y del tiempo de carga del modelo de IA, el tipo y la versión del modelo de IA y si se descargó, si se preguntó antes de descargar el modelo de IA, el intervalo de la resolución de dibujo y si se redujo, el intervalo del número de partes en que se dividió una imagen para buscar texto, si el tiempo estimado superó los 15 minutos y si la GPU dejó de estar disponible.