Por qué copiar de un PDF suele dar problemas
Seleccionar texto en un visor de PDF y pegarlo en otro sitio suele producir líneas cortadas, espacios que faltan o palabras desordenadas. La razón está en cómo guardan el texto los PDF.
Un PDF no contiene párrafos ni líneas como un procesador de textos. Contiene instrucciones del tipo «dibuja estos caracteres en esta posición con esta fuente». Una frase puede guardarse como un solo fragmento, como un fragmento por palabra o incluso letra a letra, y el orden de esos fragmentos en el archivo no tiene por qué coincidir con el orden de lectura. El formato se diseñó para que las páginas se vean idénticas en todas partes, no para que el texto sea fácil de reutilizar.
Extraer todo el texto de una vez con una herramienta dedicada evita la selección engorrosa y te da el documento completo como texto plano que puedes pegar, buscar o editar.
Cómo se reconstruye el texto
La herramienta usa PDF.js para leer los fragmentos de texto de cada página y luego los vuelve a montar:
- Los fragmentos que comparten línea base se unen en una sola línea.
- Cuando cambia la posición vertical, empieza una línea nueva.
- Las páginas se separan con una línea en blanco, para que sigas viendo dónde termina cada una.
- El progreso se muestra a medida que se leen las páginas, y el número de páginas aparece junto al resultado.
La salida es texto plano UTF-8: sin fuentes, negritas, tamaños ni colores. Puedes copiarlo todo con un clic o guardarlo como archivo .txt con el nombre del PDF.
Diseños que necesitan limpieza
Como el PDF solo registra posiciones, algunos diseños salen en un orden que quizá no esperes.
Texto a varias columnas
Periódicos, artículos académicos y boletines suelen usar dos o tres columnas. Si el programa que creó el PDF escribió primero la columna izquierda, obtienes un texto limpio columna a columna. Si escribió la página línea a línea atravesando las columnas, las líneas de la columna izquierda y derecha se alternan. Revisa la primera página del resultado antes de fiarte del resto.
Tablas
Las celdas de una misma fila se unen en una sola línea, normalmente sin separador, así que «Total 1,240.00 EUR» puede aparecer como «Total1,240.00EUR» o con espacios irregulares. Para tablas, el texto plano es un punto de partida; cuenta con tener que recomponer las columnas a mano o en una hoja de cálculo. Si también necesitas el formato, PDF a Word intenta conservar la estructura.
Encabezados, pies de página y guiones
Los encabezados, pies y números de página forman parte de cada página y aparecen en el texto todas las veces. Las palabras cortadas con guion a final de línea siguen partidas («docu-» y «mento» en líneas distintas). Un buscar y reemplazar del texto del encabezado y de «-» seguido de un salto de línea limpia rápidamente la mayoría de documentos.
Cuando el resultado sale vacío o ilegible
- Ningún texto. Las páginas son imágenes, normalmente un escaneo o una foto guardada como PDF. No hay capa de texto que extraer. Usa OCR de PDF para añadir una capa de texto mediante reconocimiento óptico de caracteres y luego extráela aquí.
- Texto solo en algunas páginas. Los documentos mixtos, como una carta mecanografiada con una página de firma escaneada, solo tienen texto donde se escribió.
- Símbolos raros en lugar de letras. Algunos PDF incrustan fuentes sin la tabla que asocia los glifos con caracteres. Los visores las dibujan bien, pero los códigos subyacentes no significan nada. Copiar desde cualquier visor da el mismo resultado; el OCR es la única solución fiable.
- «No se pudo leer este PDF». El archivo está protegido con contraseña de apertura o está dañado. Ábrelo con la contraseña y guarda una copia sin protección, o repáralo imprimiéndolo a PDF desde tu visor.
Para qué se usa
- Citar o reutilizar pasajes de informes, contratos y manuales sin volver a teclearlos.
- Contar las palabras de un manuscrito o de un trabajo entregado en PDF; pega el resultado en el contador de palabras.
- Buscar en un documento largo desde un editor de texto con expresiones regulares.
- Pasar el contenido a herramientas de traducción, resumen o comparación que aceptan texto plano.
- Archivar el contenido legible de un documento en un formato que se podrá abrir en cualquier sitio durante décadas.
Se admiten archivos de hasta 100 MB. El texto se extrae en tu dispositivo y nunca se envía a ningún sitio, algo importante con contratos, informes médicos y otros documentos que no pegarías en un servicio online.