Recolectar todas las imágenes y el texto de un folleto
Objetivo
Tomar un folleto de producto terminado y sacar todo lo reutilizable: las fotos como archivos separados, el texto en formato plano y un registro de quién lo hizo y cuándo.
El escenario. La agencia de marketing que hizo tu folleto de 2024 ha desaparecido, y con ella los archivos de origen. Un socio quiere reutilizar las fotos de los productos en una web, y un compañero necesita el texto para empezar un folleto nuevo. Lo único que tienes es el PDF.
Punto de partida
- Un PDF. Prueba: ¿puedes seleccionar texto? Si no, es un escaneo (consulta las Variantes).
- Sin protección (Desbloqueador de PDF si hace falta).
- Respeta los derechos de autor: las fotos y el texto pueden pertenecer a la agencia o a un banco de imágenes. Comprueba tus derechos antes de reutilizarlos.
Cadena
Extraer metadatos → Extraer imágenes + Extraer texto (o Analizador para todo a la vez) → [OCR Image]
quién/cuándo/qué las imágenes las palabras texto dentro de imágenes
Paso a paso
1. Extraer metadatos (Extract Metadata): sabe lo que tienes
- Aplicación: Extraer metadatos; sin opciones.
- Lee el título, el autor, la fecha de creación, la aplicación y el número de páginas; descarga
extracted_metadata.csv. - Por qué: te dice el origen y la antigüedad del archivo. Los valores pueden ser erróneos o por defecto (un nombre de usuario o de plantilla).
2. Extraer imágenes (Extract Image): las imágenes
- Aplicación: Extraer imágenes; sin opciones.
- Obtienes cada mapa de bits incrustado como PNG (
brochure00000001.png...), en un ZIP cuando hay muchos. - Notas: la calidad es exactamente la almacenada en el PDF; un JPEG pequeño dentro puede convertirse en un PNG más grande; también aparecen decoraciones diminutas (viñetas, líneas); los logotipos y gráficos vectoriales no se extraen.
- Si el folleto es largo, usa antes División de PDF para evitar cientos de archivos.
3. Extraer texto (Extract Text): el texto
- Aplicación: Extraer texto.
- Modo de formato: Pure para leer y reutilizar (por defecto). Flatten si las columnas salen mezcladas (ordena los fragmentos por su posición en la página). Raw si Pure une o separa mal las líneas.
- Obtienes un .txt por PDF. No se conservan ni las tablas ni la maquetación.
4. Alternativa: Analizador de PDF (Parser), todo a la vez
- Aplicación: Analizador de PDF; sin opciones. Un ZIP con el texto, todas las imágenes, los adjuntos incrustados,
annotation.xfdf(comentarios),bookmarks.xmlyformdata.xfdf. - Elígelo cuando quieras el paquete completo (una auditoría de lo que hay oculto en el archivo). Elige los pasos 2 y 3 cuando solo quieras imágenes y palabras: es más simple y ligero.
- Parser no extrae tablas.
5. Opcional: OCR Image para el texto dentro de las imágenes
- Aplicación: Imagen a TXT (imagen a texto). Envíale una imagen en la que el texto forma parte de la imagen (una captura de una tabla de precios, un sello).
- Por qué: Extraer texto lee solo el texto propio del PDF, nunca los píxeles.
Resultado esperado
Una carpeta con los PNG, un .txt con el texto y el CSV de metadatos (o un solo ZIP de Parser).
Comprueba que ha funcionado
- Cuenta las fotos de producto del PDF y compáralas con el número de PNG con sentido tras descartar los iconos.
- Abre el .txt: ¿los títulos y los párrafos están en un orden razonable? Si no, vuelve a ejecutar con Flatten.
- Compara el PNG más grande con la imagen de la página: la resolución no puede ser mejor que la almacenada.
Variantes
- El folleto es un escaneo: obtienes una imagen de página completa por página y un texto vacío. Ejecuta PDF buscable y luego Extraer texto; envía las imágenes de página a OCR Image si solo necesitas el texto.
- Solo algunas páginas: División de PDF, rango en un solo archivo.
- Reconstruir un PDF limpio a partir de imágenes elegidas: Fusión de archivos con las imágenes.
- Una hoja de fotos: la receta del collage.
Qué puede salir mal
- No se encuentran imágenes. El PDF solo contiene texto y gráficos vectoriales.
- Cientos de archivos. El folleto es largo, o cada página es una imagen (un escaneo).
- Las imágenes parecen de baja calidad. Están almacenadas así.
- .txt vacío. Es un escaneo: hazlo primero con texto buscable.
- Caracteres confusos. Fuentes extrañas o codificaciones dañadas.
- Los resultados desaparecen. Se conservan unos dos días; descárgalos.
Por qué este orden
Primero los metadatos porque no cuestan nada y fijan expectativas. Las imágenes y el texto son independientes, así que su orden no importa, pero ambos van antes de OCR Image, que necesita las imágenes que acabas de extraer.