Extraer texto (Extract Text)
Abrir la aplicación: Extrae el texto de un PDF → (products.documentize.app)
En una frase
Extraer texto saca las palabras que ya están dentro de un PDF y las guarda en archivos .txt de texto plano, con el estilo de formato que elijas.
Qué la hace especial
- Lee el texto existente del PDF; no «mira» las imágenes. Por eso es rápida y exacta, sin errores de reconocimiento.
- Ofrece tres modos de formato (Pure, Raw, Flatten) que deciden cómo se unen las líneas y los fragmentos.
- Con varios PDF produce además un archivo de texto combinado y un resumen por archivo (recuento de palabras, vistas previas).
En qué se diferencia de las aplicaciones parecidas:
- Imagen a TXT (OCR Image): la entrada son imágenes y la salida es texto leído a partir de píxeles.
- PDF buscable (Searchable): la entrada es un escaneo y la salida es un PDF con una capa de texto oculta.
- Analizador de PDF (Parser): extrae el texto y además imágenes, adjuntos, marcadores y más en un único ZIP.
Cuándo usarla y cuándo no
- Úsala para copiar un informe a un editor, para pasar texto a otra herramienta, para contar palabras o para comprobar rápidamente qué contiene realmente un PDF.
- No la uses con un PDF escaneado: el resultado saldrá vacío o casi. Ejecuta primero PDF buscable y después Extraer texto. (Las preguntas frecuentes del sitio mencionan una opción de OCR para escaneos, pero la página solo muestra el control de formato; para no equivocarte, usa PDF buscable; compruébalo en la aplicación en funcionamiento.)
- No la uses cuando necesites tablas o posiciones; prueba el Analizador de PDF o PDF buscable con salida a Excel.
Antes de empezar
- Comprueba que el PDF tiene texto seleccionable (intenta resaltar una palabra en tu visor).
- Quita la contraseña con Desbloqueador de PDF (Unlock) si el archivo está bloqueado.
- Decide cómo vas a usar el texto: para leer (Pure), con la máxima fidelidad al orden propio del archivo (Raw) o según la posición en la página (Flatten).
Paso a paso
- Abre Extraer texto y sube uno o varios PDF («Cargue un PDF para extraer texto»).
- En Select Formatting Mode (selecciona el modo de formato) elige Pure, Raw o Flatten.
- Pulsa Extraer.
- Descarga el .txt (o el ZIP si son varios). Extraer de nuevo inicia un trabajo nuevo.
📷 Marcador de captura de pantalla: el desplegable del modo de formato
Opciones explicadas
| Opción | Qué hace | Valor por defecto | Recomendación |
|---|---|---|---|
| Pure | Texto con algunas rutinas de limpieza para obtener un resultado legible | seleccionada | Uso cotidiano |
| Raw | Texto sin ningún formato, tal como está almacenado en el archivo | - | Cuando Pure une o separa líneas de una forma que no quieres |
| Flatten | Ordena los fragmentos de texto según sus coordenadas en la página | - | Formularios, columnas o diseños en los que el orden de lectura sale mal |
Qué obtienes
- Un .txt por PDF, con el nombre del PDF.
- Con más de un PDF, un combined_extracted_text.txt adicional que enumera cada archivo con su modo y estadísticas de palabras y líneas, seguido de su texto. Los archivos fallidos aparecen en él con su error en lugar de detener el proceso.
- La página también recibe cifras de resumen (palabras, caracteres, número de aciertos y errores).
- El PDF original no se modifica.
Calidad y límites
- Sin pérdida para el texto: no se adivina nada, pero no se conservan fuentes, imágenes, tablas ni diseño.
- El texto oculto en imágenes no se encuentra. Las fuentes raras o las codificaciones dañadas pueden producir caracteres extraños.
- Cada archivo se procesa por separado, así que el límite de tiempo del plan gratuito puede detener un lote grande y ofrecer una continuación más adelante (unas 12 horas de espera por defecto). Los resultados se conservan unos dos días.
Funciona bien con
- Ejecuta antes de esta aplicación: PDF buscable (escaneos), Desbloqueador de PDF, División de PDF (Splitter) (solo las páginas que quieras).
- Ejecuta después de esta aplicación: tu editor de texto plano, o Buscar en PDF (Search) para obtener un PDF marcado. Para entender el contenido, usa Ask PDF o Abstracts.
- Recetas: Digitalizar un archivo, A hoja de cálculo.
Errores frecuentes y soluciones
- «El .txt está vacío» → el PDF es un escaneo; usa antes PDF buscable.
- «Las líneas se cortan en sitios raros» → prueba Raw o Flatten.
- «Las columnas salen mezcladas» → prueba Flatten o el Analizador de PDF.
- «Me ha salido un ZIP, no un solo archivo» → varios PDF dan un archivo de texto por cada uno más el archivo combinado.
Lo mismo en otros sitios
- Plugin de CLI: Documentize.ExtractText.
- Herramienta MCP: ExtractText (con un ajuste de modo de formato de texto).
- Consulta Más allá del navegador.
Pruébalo
Toma cualquier PDF de texto de varias páginas. Ejecuta Extraer texto en modo Pure y después otra vez en Raw y en Flatten. Abre los tres resultados uno junto a otro y fíjate en dónde difieren los saltos de línea y el orden de las palabras. Luego prueba con un PDF escaneado para ver un resultado vacío y arréglalo con PDF buscable.