pdfMB

PDF a texto

Saca todo el texto de un PDF, en orden de lectura y unido en párrafos. Cópialo o descarga un archivo .txt. Tu archivo se queda en este dispositivo.

  • Sin subidasTu archivo se queda en este dispositivo.
  • Tu original no se tocaDescargas una copia nueva. Tu archivo no cambia.
  • Gratis, sin registroSin cuenta y sin límite diario.

Qué pasa con tu archivo

Todo lo que se describe abajo ocurre en tu navegador, en tu propio dispositivo. El PDF no se sube, así que nadie más, ni siquiera nosotros, puede verlo.

  1. Tu navegador abre el PDF con pdf.js, el visor de PDF integrado en Firefox, y lee cada fragmento de texto con su posición y tamaño.
  2. Los fragmentos de texto de una misma línea se unen en líneas, y las líneas en párrafos, para que no tengas un salto de línea cada pocas palabras. Las palabras partidas con guion al final de una línea se vuelven a unir.
  3. Las páginas a dos o tres columnas se leen columna por columna. Al copiar desde un visor de PDF, las columnas suelen mezclarse línea a línea.
  4. Las líneas que se repiten arriba o abajo en la mayoría de las páginas, como los títulos de cabecera y los números de página, se pueden quitar para que no corten las frases.
  5. Las tablas quedan con una fila por línea y las celdas separadas por tabulaciones, así que al pegarlas en una hoja de cálculo caen en las columnas correctas.
  6. Algunos PDF, a menudo los guardados desde un navegador web, marcan ciertos caracteres como “sin carácter”. En tailandés suelen ser tonos sobre las vocales. pdfMB los reconstruye a partir de las fuentes de tu archivo.
  7. Las páginas sin texto, como los escaneos, se pueden leer con el mismo motor de OCR que OCR PDF. Solo se descargan los datos de idioma, una sola vez.
  8. El archivo .txt se guarda en tu dispositivo en UTF-8, para que se conserven todos los idiomas, o el texto se copia al portapapeles.
En resumen
  1. Elige un PDF
  2. Pulsa “Convertir a texto”
  3. Revisa la vista previa
  4. Cópialo o descarga el archivo .txt

Cómo sacar el texto de un PDF

  1. Elige un PDF o suéltalo en el recuadro. pdfMB lee cada página y te dice si hay páginas escaneadas sin texto.
  2. Si hay páginas escaneadas, deja activado “Leer el texto de las páginas escaneadas (OCR)” y elige el idioma del documento.
  3. Pulsa “Convertir a texto”. Una barra muestra cuánto falta.
  4. Revisa la vista previa. Puedes mantener o quitar los encabezados y pies de página, marcar dónde empiezan las páginas o cambiar a Markdown para conservar títulos y tablas.
  5. Pulsa “Copiar todo” para pegar el texto en otro sitio, o descarga el archivo .txt.

Por qué el texto tailandés copiado suele perder los tonos

Las fuentes tailandesas tienen formas extra para los tonos: una elevada, que va encima de una vocal superior, como en ที่ o น้ำ, y una normal. El PDF guarda qué forma se dibujó, junto con una tabla que indica qué letra representa cada forma.

Cuando un PDF se guarda desde Chrome, Edge y otros navegadores Chromium, esa tabla suele decir que las formas elevadas no representan “nada”. Al copiar el texto, o con una herramienta que se fía de la tabla, el tono se pierde, y น้ำ (agua) se convierte en นำ (guiar).

En nuestra prueba con un artículo de 35 páginas de la Wikipedia en tailandés guardado desde Chrome, 1915 tonos estaban marcados así. pdfMB encuentra el tono correcto en la fuente del archivo, y llegaron los 4911 tonos.

Cuándo se usa

Reutilizar lo que escribiste

Saca del PDF el texto de un informe, una carta o un CV antiguo para editarlo en cualquier programa.

Traducir

Pega párrafos completos en un traductor, en lugar de líneas que se cortan a mitad de frase.

Buscar y contar

Busca en un documento largo, cuenta palabras o compara dos versiones en un editor de texto.

Documentos en tailandés

Copia texto en tailandés que conserva sus tonos, incluso de PDF guardados desde un navegador web.

Lo que no puede hacer

  • Solo se conserva el texto. Las imágenes, gráficos y dibujos se quedan fuera. Usa PDF a JPG para guardarlos.
  • La negrita, la cursiva, los títulos y los enlaces pasan a ser texto normal. Usa PDF a Markdown para conservarlos.
  • No se conserva la posición exacta del texto en la página. El texto de recuadros y márgenes se integra en el hilo de los párrafos.
  • Las ecuaciones salen como texto sin formato, con los superíndices y subíndices en la misma línea.
  • Los idiomas que se escriben de derecha a izquierda, como el árabe y el hebreo, aún no se han probado lo suficiente. Revisa el resultado con cuidado.
  • No se pueden convertir los PDF protegidos con contraseña ni aquellos cuyo propietario ha bloqueado la copia.

Preguntas sobre convertir PDF a texto

¿Se sube mi PDF?

No. pdfMB lee el archivo en tu navegador y nunca sale de tu dispositivo. Puedes comprobarlo en las herramientas de red de tu navegador.

¿Por qué no copiar sin más desde mi visor de PDF?

La mayoría de los visores copian línea a línea, así que cada línea termina con un salto, las columnas se mezclan y las palabras partidas con guion siguen partidas. pdfMB une las líneas en párrafos, lee las columnas en orden y puede dejar fuera los encabezados y números de página.

¿Conserva los tonos del tailandés?

Sí. pdfMB también recupera los tonos que algunos PDF marcan como “sin carácter”. En nuestra prueba llegaron los 4911 tonos de un artículo en tailandés de 35 páginas.

¿Puede leer un PDF escaneado?

Sí. Activa el OCR y elige el idioma. Revisa el resultado, porque el OCR puede leer mal nombres y números.

¿Qué codificación tiene el archivo .txt?

UTF-8, que abre cualquier editor moderno, incluidos Notepad, TextEdit y VS Code. Se conservan todos los idiomas y símbolos.

¿Hay un límite de páginas o de tamaño?

No hay un límite fijo. Los documentos largos tardan más, y los archivos muy grandes pueden quedarse sin memoria en algunos móviles.