Cómo extraer el texto de un PDF y por qué a veces sale desordenado
Copiar texto de un PDF parece trivial hasta que sale sin saltos de línea, con las columnas mezcladas o directamente no deja seleccionar nada. Entender cómo está construido un PDF explica casi todos esos problemas y señala la solución en cada caso.
Qué es realmente un PDF
El PDF nació para que un documento se vea exactamente igual en cualquier pantalla o impresora. Para lograrlo no almacena «párrafos» ni «columnas», sino instrucciones de dibujo: «coloca estos caracteres en estas coordenadas con esta fuente». Visualmente es perfecto; para extraer el contenido es complicado, porque el orden en que los fragmentos aparecen en el archivo no tiene por qué coincidir con el orden de lectura.
De ahí vienen los problemas típicos: un texto a dos columnas que se extrae intercalando líneas de ambas, un pie de página que aparece en mitad del contenido, o un párrafo cortado por saltos de línea en cada renglón. Ninguna herramienta puede «saber» con certeza qué es un párrafo; solo puede deducirlo a partir de las posiciones.
Los dos tipos de PDF
PDF con capa de texto. Es el que genera un procesador de textos, una factura electrónica o un navegador al «guardar como PDF». Los caracteres están en el archivo y se pueden seleccionar, copiar y buscar. Es el único tipo del que puede extraerse texto directamente.
PDF escaneado (imagen). Es lo que produce un escáner o una foto convertida a PDF. Cada página es una fotografía; para el ordenador no hay ninguna letra, solo píxeles. Si intentas seleccionar texto, no se puede, y una herramienta de extracción devolverá una página vacía.
Cómo saber cuál tienes: abre el PDF e intenta seleccionar una palabra con el ratón o usa la búsqueda (Ctrl+F). Si encuentra la palabra, tiene capa de texto.
Qué es el OCR y cuándo hace falta
El OCR (reconocimiento óptico de caracteres) analiza la imagen de una página, identifica las letras y genera texto. Hay programas de escritorio, servicios en línea y herramientas de código abierto (como Tesseract, que usa ocrmypdf para crear PDF buscables). La calidad depende del escaneo: resolución de al menos 300 ppp, página recta y buen contraste dan resultados mucho mejores que una foto con sombras.
La herramienta de kitbox no incluye OCR. Está pensada para PDF con capa de texto y, si detecta que casi no hay texto, te avisa de que probablemente se trate de un escaneo. Preferimos ser claros sobre esto antes que prometer algo que no puede hacer.
Qué se conserva y qué se pierde
- Se conserva: el texto, el orden razonable de lectura página a página y los saltos de línea del documento.
- Se pierde: tipografías, colores, imágenes, la maquetación en columnas, las tablas complejas, los pies de página como elemento separado y las notas al margen.
- Hay que revisar: guiones de final de línea, números de página que se cuelan en el texto, y listas con viñetas que se convierten en símbolos extraños.
Por eso la herramienta muestra el resultado en un cuadro editable antes de descargarlo: puedes limpiar lo que haga falta y luego exportar.
Word, TXT o Markdown: cuál elegir
- TXT: texto plano, sin formato. Es lo más universal, ideal para pegar en otro programa, contar palabras o procesar con herramientas.
- Markdown (.md): también es texto plano, y encaja bien en editores de notas, blogs y documentación técnica.
- Word (.doc): abre directamente en Word, LibreOffice y Google Docs, con cada párrafo separado. Es el formato cómodo para seguir editando; no incluye el formato original del PDF.
No ofrecemos exportación a Excel: reconstruir tablas fiables a partir de un PDF requiere analizar la geometría de las celdas y falla con frecuencia en tablas sin bordes. Para tablas, lo más seguro es copiar los datos desde el lector de PDF o usar una herramienta específica.
Si el PDF está protegido
Algunos PDF restringen la copia o la impresión mediante una contraseña de permisos. Si el archivo es tuyo, lo habitual es quitar la restricción desde el programa con el que se creó. Si no lo es, ten en cuenta que esas limitaciones expresan la voluntad del autor, y que extraer o redistribuir contenido protegido puede vulnerar derechos de autor.
Privacidad: dónde se procesa tu documento
Muchos conversores en línea piden subir el PDF a sus servidores. Con contratos, nóminas, informes médicos o documentos de clientes, eso es una exposición innecesaria. kitbox lee el PDF en tu navegador con la librería pdf.js y el contenido no se envía a ningún sitio. Una consecuencia práctica: la herramienta sigue funcionando una vez cargada la página, incluso con mala conexión.
Flujo de trabajo recomendado
- Comprueba si el PDF tiene capa de texto (Ctrl+F).
- Si la tiene, extráelo con la herramienta y revisa el resultado en el cuadro editable.
- Descárgalo como Word o TXT según lo que vayas a hacer después.
- Si no la tiene, pásalo antes por un programa de OCR y repite.
Guías relacionadas
Este artículo tiene carácter informativo y se revisa de forma periódica. Si detectas un error o quieres proponer un tema, escríbenos desde la página de contacto.