Cómo extraer el texto de un PDF y guardarlo en TXT

Sube el PDF a PDF a texto, elige el modo y descarga un TXT en UTF-8. Pasa primero los escaneos por PDF con OCR: las páginas reconocidas llegan al TXT en cualquier modo, pero en ellas «disposición» funciona igual que «simple».

La herramienta PDF a texto toma la capa de texto de un PDF y la guarda en un archivo TXT con codificación UTF-8. Ese archivo es fácil de buscar, citar, importar en otro programa o procesar con un script. Las imágenes, las fuentes, los colores y las celdas de las tablas no pasan al TXT: quedan los caracteres, los saltos de línea y unas líneas auxiliares que marcan las páginas.

PDF a texto no incluye reconocimiento de texto. Si tus páginas son escaneos o fotos, primero necesitas un paso de OCR aparte y solo después la extracción. A continuación tienes los pasos, la diferencia entre los dos modos y el aspecto del archivo final.

Comprueba si el PDF contiene texto

Abre el PDF en cualquier visor e intenta seleccionar una frase. Si se marcan palabras sueltas y puedes pegarlas en un editor de texto sencillo, el documento tiene capa de texto. Si solo se selecciona la página entera, como una imagen, se trata de un escaneo.

Revisa varias páginas, no solo la primera. En un mismo archivo suelen convivir páginas guardadas desde Word con anexos escaneados que llevan firmas y sellos. Las causas por las que el texto no se deja seleccionar se explican en Por qué no puedes seleccionar ni copiar texto de un PDF.

Si el archivo pide contraseña para abrirse, la herramienta lo rechazará con un mensaje que lo indica. Quita primero la contraseña, como se describe en Cómo quitar la contraseña de un PDF.

Extracción paso a paso

1. Abre PDF a texto y arrastra el archivo a la zona de carga o elígelo desde tu dispositivo. Cada ejecución procesa un PDF. 2. En los parámetros, elige en «Modo texto» la opción «simple» (la predeterminada) o «disposición». 3. Decide si necesitas la casilla «Saltos de página». Viene activada por defecto. 4. Puedes dejar vacío el campo «Nombre del archivo de salida»; el nombre se asigna automáticamente. 5. Pulsa «Procesar archivo», espera a que termine y descarga el TXT. 6. Abre el resultado en un editor compatible con UTF-8 y lee los avisos que aparezcan junto al resultado.

Qué modo elegir: «simple» o «disposición»

El modo «simple» devuelve el texto en el orden en que está guardado dentro del archivo, sin espacios de alineación. En cartas, contratos y artículos exportados desde un procesador de textos, ese orden suele coincidir con el de lectura. El modo «disposición» reproduce la posición en la página: añade espacios y líneas en blanco para que las palabras queden más o menos donde están en la hoja.

Una lista de precios muestra bien la diferencia. Supón que el PDF tiene una tabla en la que una fila contiene la referencia AB-120, el producto «Cable» y el precio 250. En modo «disposición» la fila sigue siendo una fila: referencia, nombre y precio quedan uno al lado del otro, separados por espacios. En modo «simple» el mismo fragmento puede salir por columnas —primero todas las referencias, luego todos los nombres y después todos los precios— si la tabla está guardada así en el archivo. En ese caso se pierde la relación entre producto y precio.

Con un texto a dos columnas ocurre lo contrario. «disposición» coloca las columnas una junto a otra, de modo que cada línea del TXT contiene una línea de la columna izquierda y, tras muchos espacios, una de la derecha. Leerlo de corrido resulta incómodo. «simple» suele entregar primero toda la columna izquierda y después la derecha. Si dudas, procesa el archivo dos veces y compara ambos resultados en la misma página.

Escaneos después del OCR: qué da cada modo

PDF con OCR deja la imagen de la página tal como está y le añade una capa invisible con el texto reconocido. El modo «simple» lee esa capa entera; «disposición» solo ve una parte o nada. Por eso, en modo «disposición» la herramienta revisa cada página: si «disposición» encuentra menos del 80 % de las letras y cifras que encuentra «simple», la página se toma del modo «simple». Elegir «disposición» ya no deja vacías las páginas reconocidas ni hace aparecer el aviso de que el PDF no tiene capa de texto.

El precio: en las páginas reconocidas, «disposición» da lo mismo que «simple», sin columnas una junto a otra ni espacios de alineación. La decisión se toma página por página, así que en un archivo mixto las páginas con texto nativo conservan la distribución de «disposición». Con escaneos, reconoce el archivo en PDF con OCR, descarga el PDF con su capa de texto y súbelo a PDF a texto; el modo puede quedarse en «simple». Cómo elegir el idioma de reconocimiento y revisar la calidad del OCR se explica en Cómo reconocer texto en un PDF escaneado con OCR.

Qué contiene el archivo TXT

Cada página empieza con una línea de marca: `--- Página 1 ---`, `--- Página 2 ---`, etcétera. Las marcas se escriben en el idioma de la interfaz del sitio desde el que lanzaste el proceso. Si una página no tiene texto, tras la marca aparece `(página vacía)`. Esa línea te ayuda a localizar hojas escaneadas en un documento mixto: el aviso de resultado vacío solo aparece cuando ninguna página contiene texto.

La casilla «Saltos de página» añade un carácter de salto de página antes de la marca de cada página siguiente (form feed, código 0x0C, que en programación se escribe `\f`). Cada editor lo muestra a su manera: como espacio en blanco, como un cuadrito o con el símbolo FF o ^L. Las impresoras y algunos programas lo interpretan como la orden de empezar una hoja nueva.

Si desmarcas la casilla, solo desaparece ese carácter. Las marcas de página se mantienen en cualquier caso, y eso es útil: te indican de qué página procede una cita.

Cómo limpiar las líneas auxiliares

Si las marcas estorban, elimínalas con buscar y reemplazar usando una expresión regular. En editores como VS Code, Notepad++ o Sublime Text sirve el patrón `^--- Página \d+ ---$` con un reemplazo vacío. El carácter de salto de página se busca como `\f` o `\x0C`. En un script conviene dividir el texto en páginas por `\f`: con los saltos activados, cada trozo empieza con la marca de su página.

Tras el texto de cada página, la herramienta añade una línea en blanco que también puedes quitar. En cambio, los encabezados, los números de página impresos en el documento y las cabeceras de tabla repetidas se quedan: forman parte de la capa de texto. Bórralos solo cuando estés seguro de que son repeticiones y no información que necesitas.

Problemas frecuentes y cómo reconocerlos

• El TXT está vacío y hay un aviso sobre la capa de texto. El archivo es un escaneo. Pásalo por PDF con OCR y sube a PDF a texto el archivo ya reconocido.
• Después del OCR, «disposición» no puso las columnas una junto a otra. Es lo esperado: las páginas reconocidas salen como en modo «simple». «disposición» solo conserva las columnas en páginas con texto nativo.
• Los precios se separaron de los productos. La tabla está guardada por columnas. Si el PDF tiene texto nativo y no una capa de OCR, prueba el modo «disposición» y, si necesitas celdas de verdad, lee Cómo extraer tablas de PDF a Excel.
• Aparecen símbolos raros en lugar de letras. El PDF incrusta una fuente sin una tabla de caracteres correcta: en pantalla las letras se ven bien, pero la capa de texto guarda otros códigos. Comprueba si ese mismo fragmento se copia bien desde un visor; si allí también sale basura, el problema está en el propio archivo.
• Tras el OCR se confunden la O y el 0 o la l y el 1. Los errores de reconocimiento pasan al TXT tal cual. Revisa a mano referencias, importes y fechas.
• Las tildes y la ñ se convirtieron en símbolos extraños. Un programa antiguo abrió el archivo UTF-8 con otra codificación. Vuelve a abrirlo eligiendo UTF-8 de forma explícita, por ejemplo desde un asistente de importación de texto.

Revisa el resultado antes de usarlo

Lee el inicio, la parte central y la última página del TXT y compáralos con el PDF. Mira aparte las notas al pie, las tablas y las columnas, donde el orden de las líneas se rompe con más frecuencia. Para las citas, coteja cada fragmento con su página de origen; la marca te indica su número. Guarda el PDF junto al TXT: si el modo no resultó adecuado, puedes volver a extraer el texto con el otro.