Extraer texto de un PDF en línea
Extrae la capa de texto de un PDF o reconoce el texto de páginas escaneadas con OCR, y guárdalo como texto sin formato.
Si el PDF está escaneado, elige el idioma del documento antes de subirlo. Si lo cambias después, el archivo actual se vuelve a leer.
Seleccione Archivo PDF o Arrastre y suelte aquí.
Extrae texto y admite OCR para archivos PDF de imágenes escaneadas.
Extrayendo texto de un PDF...
filename.pdf
Tamaño original: 0 MB | 0 páginas
Contenido de texto extraído
Decodificación de fuentes con CMap
Usa los mapas de caracteres de PDF.js para decodificar muchas fuentes de Asia oriental y con codificación personalizada. Los PDF con datos de fuente incompletos aún pueden mostrar caracteres incorrectos.
OCR para páginas escaneadas
Las páginas casi sin texto extraíble se leen con el OCR de Tesseract.js. La precisión depende de la calidad del escaneo, el idioma y el diseño.
Procesamiento en el navegador
Los documentos se analizan localmente en la memoria de su navegador.
Cómo se usa
La herramienta lee primero la capa de texto almacenada en el PDF. Cuando una página casi no tiene texto, como en un documento escaneado, esa página se renderiza como imagen y se reconoce con OCR en tu navegador. El motor de OCR y sus datos de idioma se descargan de leedybox.com la primera vez que se usa el OCR; tu PDF no se sube.
- Elige el idioma del OCR antes de añadir el archivo, para que las páginas escaneadas se lean con el alfabeto correcto. Viene preajustado según el idioma de esta página.
- Haz clic en la zona de carga o arrastra un archivo PDF sobre ella. La extracción empieza enseguida y recorre las páginas una por una.
- Las páginas con capa de texto se leen directamente. Una página casi sin texto, como un escaneo, se dibuja como imagen y se reconoce con OCR, lo que tarda más; la barra de progreso muestra qué página se está leyendo.
- Revisa el resultado en el cuadro de texto. Cada página empieza con una línea como --- Página 1 ---.
- Haz clic en «Copiar texto» o «Guardar como .TXT» para conservar el resultado, o en «Cambiar archivo» para leer otro PDF.
Preguntas frecuentes
¿Por qué el texto extraído a veces aparece ilegible?
Algunos PDF guardan los caracteres con codificaciones de fuente personalizadas. LeedyBox carga tablas CMap para decodificar muchas de ellas, pero las fuentes sin una asignación Unicode correcta aún pueden producir caracteres erróneos. Compara el resultado con el documento original.
¿Funciona con documentos escaneados?
Sí. Cuando una página casi no tiene capa de texto, el motor OCR integrado de Tesseract.js reconoce los caracteres de la imagen de la página. La escritura a mano, los escaneos de baja resolución, las fuentes poco comunes y los idiomas no incluidos en la configuración de OCR reducen la precisión.
¿Se conserva el diseño de tablas y columnas?
No exactamente. El resultado es texto sin formato, así que las tablas, columnas y cuadros de texto se convierten en líneas, y el orden de lectura puede diferir de lo que ves en la página.
¿Se sube mi PDF?
No. El texto se lee en tu navegador. Cuando una página necesita OCR, el motor de OCR y sus datos de idioma se descargan de leedybox.com, pero tu PDF no se envía a ningún sitio.
¿Qué idioma de OCR elijo para un documento en dos idiomas?
Elige la opción con el idioma principal del documento; todas las opciones excepto «Solo inglés» reconocen también el inglés. El texto en un idioma no seleccionado suele leerse con caracteres equivocados.
¿Por qué el OCR es lento?
Después de descargar el motor de OCR y los datos de idioma, cada página escaneada se reconoce una a una en tu navegador. En un dispositivo lento, una página puede tardar varios segundos o más, así que un documento escaneado largo requiere paciencia.