Analizador de PDF (Parser)
Abrir la aplicación: Desmonta un PDF por partes → (products.documentize.app)
En una frase
Parser desmonta un PDF de una sola vez y te entrega un ZIP con su texto, sus imágenes, sus archivos adjuntos, sus comentarios y marcas, sus marcadores y sus datos de formulario, cada cosa en un archivo aparte.
Qué lo hace especial
- Es el extractor «todo a la vez». Las demás aplicaciones de esta familia sacan una sola cosa; Parser saca todo lo que se puede extraer.
- Llega a cosas que no cubre ningún otro extractor de la familia: archivos adjuntos (archivos incrustados en el PDF), anotaciones (comentarios, resaltados, notas) y marcadores (el árbol de estructura).
- El sitio lo presenta como una herramienta única de extracción «para texto, imágenes, tablas y metadatos». En la versión actual, la salida es texto, imágenes, adjuntos, anotaciones, marcadores y datos de formulario; no hay un archivo aparte de tablas o posiciones, y los metadatos los cubre Extraer metadatos (Extract Metadata) (compruébalo en la aplicación en funcionamiento si necesitas tablas).
Parser frente a Extraer datos de formulario: la salida de formulario de Parser es un archivo XFDF (un formato de intercambio de formularios pensado para otras herramientas de PDF); Extraer datos de formulario (Extract Form Data) da un CSV que puedes abrir en una hoja de cálculo. Elige Parser cuando quieras pasar datos de formulario a otra herramienta de PDF o cuando quieras el paquete completo; elige Extraer datos de formulario para hojas de cálculo.
Cuándo usarlo y cuándo no
- Úsalo para auditar un PDF («¿qué hay escondido dentro?»), para rescatar archivos incrustados, para exportar comentarios de revisores o para guardar una copia de la estructura y de los datos de formulario antes de editar.
- No lo uses cuando solo necesites un tipo de contenido: Extraer texto (Extract Text), Extraer imágenes (Extract Image) o Extraer datos de formulario son más ligeras y más claras.
- No lo uses con escaneos sin capa de texto: el archivo de texto saldrá vacío hasta que ejecutes PDF buscable (Searchable).
Antes de empezar
- Un PDF (se admiten varios). Los archivos protegidos con contraseña deben desbloquearse.
- Espera muchos archivos en el resultado, sobre todo imágenes.
Paso a paso
- Abre Parser (la página se titula «Extraer datos del PDF») y sube tu PDF.
- Pulsa EXTRACTO (el botón de extraer).
- Descarga el ZIP y ábrelo. Extraer de nuevo empieza otra vez.
📷 Marcador de captura de pantalla: el contenido del ZIP de un PDF analizado
Opciones explicadas
| Opción | Qué hace | Valor por defecto | Recomendación |
|---|---|---|---|
| (ninguna) | La aplicación no tiene ajustes; siempre intenta todos los tipos de extracción | - | - |
Qué obtienes
Un ZIP (Parser_parser.zip) que puede contener:
- <nombre>.txt: el texto del documento.
- <nombre>00000001.png, ...: cada imagen incrustada.
- Archivos adjuntos: cada archivo incrustado, guardado con su propio nombre.
- annotation.xfdf: comentarios, resaltados y otras anotaciones.
- bookmarks.xml: el árbol de marcadores.
- formdata.xfdf: los campos del formulario y sus valores.
Las partes que no existen en tu PDF simplemente quedan vacías o no aparecen, y que una parte falle no detiene las demás. El PDF original no se modifica.
Calidad y límites
- El texto es el propio texto del archivo (sin reconocimiento), así que los escaneos no dan nada en el .txt.
- Las imágenes se extraen tal como están almacenadas, guardadas como PNG.
- Los archivos XFDF/XML son formatos técnicos, fáciles para otras herramientas y para desarrolladores, pero poco agradables para las personas. Puedes abrirlos en un editor de texto.
- Los diseños complejos, las fuentes poco habituales y las imágenes de baja resolución pueden reducir la precisión (como también advierten las preguntas frecuentes del sitio).
- Los resultados se conservan unos dos días.
Funciona bien con
- Ejecuta antes de esta aplicación: Desbloqueador de PDF (Unlock), PDF buscable.
- Ejecuta después de esta aplicación: Extraer datos de formulario para una versión del formulario en hoja de cálculo, Extraer metadatos para las propiedades del documento, Imagen a TXT (OCR Image) para las imágenes de página extraídas.
- Recetas: Aprovechar un folleto, Digitalizar un archivo.
Errores frecuentes y soluciones
- «Mi ZIP no tiene contenido en el .txt» → PDF escaneado; ejecuta antes PDF buscable.
- «¿Dónde están las tablas?» → no hay archivo de tablas; usa PDF buscable con salida a Excel y «solo tablas» para tablas escaneadas.
- «No puedo leer el .xfdf» → está pensado para software; para una exportación de formulario legible para personas usa Extraer datos de formulario.
- «Demasiados archivos» → usa en su lugar un extractor de un solo propósito.
Lo mismo en otros sitios
- Plugin de CLI: Documentize.Parser (se describe como extracción de datos estructurados de párrafos y de diseño).
- Herramienta MCP: ParseDocument.
- Consulta Más allá del navegador.
Pruébalo
Toma un PDF revisado que tenga unos cuantos comentarios, una estructura de marcadores y quizá un adjunto. Ejecuta Parser, descomprime y abre annotation.xfdf y bookmarks.xml en un editor de texto para ver tus comentarios y los nombres de los capítulos. Compara el .txt con el resultado de Extraer texto sobre el mismo archivo.