Cómo extraer el texto de un PDF (también si está escaneado)

Necesitas reutilizar el contenido de un PDF (un contrato, un artículo, unos apuntes) y al copiar y pegar aparecen saltos de línea en mitad de las frases, palabras pegadas o columnas mezcladas. O peor: no se puede seleccionar nada.

Primero hay que saber qué tipo de PDF tienes, porque la solución es distinta.

¿Tu PDF tiene texto o es una imagen?

Abre el PDF e intenta seleccionar una palabra con el ratón (o manteniendo pulsado en el móvil):

  • Si se selecciona, es un PDF nativo: el texto está dentro del archivo y se puede extraer directamente.
  • Si se selecciona la página entera como un bloque, o nada, es un PDF escaneado: cada página es una foto y el texto hay que "leerlo" con OCR (reconocimiento óptico de caracteres).

PDF nativo: extraer el texto a un .txt

Copiar y pegar funciona para un párrafo, pero con documentos largos es una pesadilla: el PDF guarda cada línea por separado y al pegar se conservan esos cortes.

Lo más rápido es convertirlo a un archivo de texto:

  1. Abre el conversor de PDF a texto.
  2. Sube el PDF.
  3. Descarga el archivo .txt.

El resultado está en UTF-8, así que tildes, eñes y caracteres especiales se ven bien en cualquier editor (Bloc de notas, Word, Google Docs, VS Code). Ten en cuenta que un .txt es solo texto: negritas, tablas e imágenes desaparecen. Si necesitas las tablas con sus columnas, usa mejor PDF a Excel o PDF a CSV.

Limpiar el texto después

Algunos PDFs (sobre todo los maquetados a dos columnas) generan líneas cortadas. En Word puedes arreglarlo rápido:

  1. Pega el texto y abre Buscar y reemplazar.
  2. Reemplaza ^p^p por ## (protege los cambios de párrafo reales).
  3. Reemplaza ^p por un espacio (une las líneas cortadas).
  4. Reemplaza ## por ^p (recupera los párrafos).

PDF escaneado: necesitas OCR

Un conversor de PDF a texto no puede leer letras dentro de una foto. Para eso hace falta OCR. Una opción gratuita que funciona muy bien:

  1. Sube el PDF a Google Drive.
  2. Clic derecho > Abrir con > Documentos de Google.
  3. Drive reconoce el texto y lo pone debajo de la imagen, ya editable.

Funciona mejor con escaneos rectos, bien iluminados y con letra impresa. Con textos manuscritos o fotos de mala calidad, revisa el resultado con calma: el OCR confunde con facilidad la "l" con el "1" o la "O" con el "0".

Errores comunes

  • El texto sale desordenado: suele pasar con PDFs a varias columnas o con cuadros de texto. Extrae a .txt y reordena los bloques, en lugar de copiar trozo a trozo.
  • Aparecen caracteres raros: el PDF usa fuentes sin mapa de caracteres. En ese caso, trata el PDF como si fuera escaneado y usa OCR.
  • El PDF tiene contraseña: si no permite copiar, necesitarás la contraseña del propietario. No intentes saltarte la protección de documentos que no son tuyos.