Extraer, leer y buscar
La idea: un PDF suele ser una caja cerrada con llave. Dentro puede haber palabras, imágenes, respuestas de formularios, comentarios, archivos adjuntos o solo la fotografía de una página. Las aplicaciones de esta familia sacan el contenido o lo hacen localizable. Producen texto, imágenes, hojas de cálculo, una copia marcada o un informe. Nunca modifican tu original.
Aquí conviven dos tipos de trabajo:
- Hacer legible. Un escaneo es solo una imagen. Imagen a TXT (OCR Image) y PDF buscable (Searchable) convierten imágenes de texto en texto.
- Sacar o encontrar. Las aplicaciones de extracción, Analizador de PDF (Parser) y Buscar en PDF (Search) trabajan con el texto que ya existe.
Las aplicaciones
| Aplicación | Recibe | Entrega | En una frase |
|---|---|---|---|
| Imagen a TXT (OCR Image) | imágenes (JPG, PNG) | archivos .txt | Lee el texto de fotos y escaneos |
| PDF buscable (Searchable) | PDF escaneado | PDF (o Word, Excel, PowerPoint) | Las mismas páginas más una capa de texto invisible |
| Extraer texto (Extract Text) | PDF con texto | .txt | Las palabras que ya hay en un PDF, con tres modos de formato |
| Extraer imágenes (Extract Image) | imágenes PNG | Todas las imágenes incrustadas | |
| Extraer metadatos (Extract Metadata) | tabla en pantalla + CSV | Autor, fechas, productor, propiedades personalizadas | |
| Extraer datos de formulario (Extract Form Data) | formulario PDF rellenado | archivos CSV | Nombres de campo y respuestas |
| Analizador de PDF (Parser) | ZIP | Texto, imágenes, adjuntos, anotaciones, marcadores y datos de formulario de una vez | |
| Buscar en PDF (Search) | uno o varios PDF | PDF con las coincidencias resaltadas | Encuentra palabras o patrones, también en PDF escaneados |
| Búsqueda global (Global Search) | unas pocas palabras escritas | lista de páginas del sitio | Encuentra herramientas en el sitio de Documentize (no busca en tus archivos) |
| Analizador de currículum (Resume Analyzer) | CV (PDF/DOC) | informe en PDF | Revisión con IA de un CV frente a una oferta (sitio de IA) |
Elegir rápido
- Tengo fotos de un texto y quiero las palabras → Imagen a TXT (OCR Image)
- Tengo un PDF escaneado y quiero buscar o copiar en él → PDF buscable (Searchable)
- Tengo un PDF normal y quiero el texto → Extraer texto (Extract Text)
- Quiero las imágenes de un PDF → Extraer imágenes (Extract Image)
- ¿Quién escribió este archivo y cuándo? → Extraer metadatos (Extract Metadata)
- Respuestas de formularios devueltos → Extraer datos de formulario (Extract Form Data)
- Todo lo que hay dentro, de una vez → Analizador de PDF (Parser)
- ¿Dónde aparece esta palabra en el PDF? → Buscar en PDF (Search)
- ¿Qué herramienta de Documentize hace tal cosa? → Búsqueda global (Global Search)
- ¿Encaja este CV con ese puesto? → Analizador de currículum (Resume Analyzer)
Las parecidas, en una tabla
| Entrada | Salida | ¿Capa de texto? | ¿Lee píxeles? | |
|---|---|---|---|---|
| Imagen a TXT (OCR Image) | imágenes | .txt | no se genera PDF | sí |
| PDF buscable (Searchable) | PDF escaneado | PDF con texto oculto | añade una | sí |
| Extraer texto (Extract Text) | PDF con texto | .txt | usa la existente | no |
| Analizador de PDF (Parser) | ZIP con muchas partes | usa la existente | no | |
| Extraer datos de formulario (Extract Form Data) | PDF de formulario | CSV | no aplica | no |
Reglas prácticas
- Si no puedes seleccionar las palabras de tu PDF, es un escaneo. Ejecuta PDF buscable antes de Extraer texto, Buscar o el Analizador.
- Endereza y gira antes de reconocer. Las páginas de lado o torcidas dan mal texto.
- Indica siempre el idioma del documento para el reconocimiento.
- El texto reconocido es una estimación. Comprueba nombres, cifras y redacciones legales.
- Extraer no es modificar. Los originales nunca se tocan; recibes archivos nuevos, que se conservan unos dos días.
- Extrae antes de aplanar o bloquear. Los formularios aplanados y los archivos bloqueados pierden sus datos o los rechazan.
Sigue con cómo trabajan juntas las aplicaciones de la familia o prueba el laboratorio.