Extraer texto de PDF
Extraiga texto de un PDF: lea directamente su capa de texto y use OCR en las páginas que no la tengan.
Añada un PDF y elija un intervalo de páginas. Se comprueba si cada página tiene capa de texto: si la tiene, el texto se extrae sin OCR; si no, la página se convierte en imagen para reconocerla.
Deje el intervalo vacío para procesar todas las páginas. Puede combinar intervalos y páginas sueltas, como 1-3,5. La numeración empieza en 1 y debe estar dentro del número de páginas del documento.
Edite los resultados de cada página y copie o guarde como TXT todas las páginas o la página seleccionada. El orden de la capa de texto y la información de las fuentes pueden afectar al espaciado y al orden de lectura. La herramienta no reconstruye la estructura de las tablas.
Cómo usarlo
- Seleccione un PDF y compruebe su número de páginas.
- Si quiere, escriba un intervalo como 1-3,5 y empiece la extracción.
- Revise cada página y elija qué resultados copiar.
Qué comprobar
El modo de OCR que haya elegido no se aplica a las páginas con capa de texto. Por ahora no hay una opción para ignorar esa capa y forzar el OCR.
Preguntas frecuentes
¿Los PDF de texto necesitan un modelo?
Las páginas con capa de texto se extraen directamente con pdfjs-dist. Las páginas sin ella requieren un motor de OCR y los datos del idioma seleccionado.
¿Puedo dejar vacío el intervalo de páginas?
Sí. Un intervalo vacío significa todas las páginas. Si el intervalo no es válido, se avisa antes de empezar a procesar.
¿Un PDF puede mezclar páginas escaneadas y páginas de texto?
La capa de texto se comprueba por separado en cada página. Solo las páginas que no la tienen pasan por el OCR.