Por qué no puedes seleccionar ni copiar texto de un PDF

Pasa el archivo por PDF a texto. Páginas vacías en el TXT indican escaneo o texto en trazados: hace falta OCR. Un bloqueo de copia sin contraseña de apertura no impide extraer. El texto ilegible exige convertir antes las páginas en imágenes.

La forma más rápida de encontrar la causa es pasar el archivo por PDF a texto y mirar el TXT que genera. La herramienta toma la capa de texto del PDF tal como está: si no hay capa, el archivo sale casi vacío, y si está dañada, verás los mismos caracteres raros que al copiar. Ese resultado dice más que un botón gris en tu visor.

Suele haber cuatro causas: la página es un escaneo o una foto, el texto se convirtió en trazados al exportar, el autor bloqueó la copia en la configuración de seguridad o se rompió la relación entre el aspecto de las letras y su significado. A continuación verás cómo reconocer cada una y qué hacer.

Empieza por una línea

Abre el PDF, intenta seleccionar una frase normal y pégala en un editor de texto sencillo. Busca una palabra que se vea con claridad en la página. Repite la prueba en otra página: un mismo documento puede mezclar páginas escaneadas con páginas que tienen texto real.

Anota lo que pasa. ¿No se selecciona nada, se selecciona la página entera como un bloque, aparecen letras al azar o el visor avisa directamente de que no se permite copiar? Estas observaciones son más útiles que el tamaño del archivo. Un PDF grande no es necesariamente un escaneo, y uno pequeño no contiene texto necesariamente. Comprueba también que en el visor esté activa la herramienta de selección de texto y no la mano para mover la página.

Qué te dice el TXT de PDF a texto

Sube el archivo y ejecuta la conversión con los ajustes predeterminados. En el TXT, cada página empieza con una marca como «--- Página 3 ---». Debajo de la marca verás una de tres cosas.

• «(página vacía)». Esa página no tiene capa de texto: es una imagen o texto en trazados. Si todas las páginas están así, la tarea muestra además el aviso «Este PDF no tiene capa de texto».
• Texto normal. La capa está bien y el problema está en el visor o en las restricciones de seguridad que se explican más abajo.
• Letras al azar, cuadraditos o un alfabeto equivocado. Hay capa, pero está dañada.

Una página vacía en el TXT no significa que la tarea haya fallado: la herramienta solo te indica que no había nada que extraer.

La página es un escaneo o una foto

Las letras pueden formar parte de una imagen. El visor las dibuja igual que las líneas de una tabla, y la extracción no convierte una imagen en caracteres. Aquí necesitas PDF con OCR: reconoce el texto y añade una capa invisible bajo la imagen, y después funcionan la búsqueda y la copia.

Conviene saberlo de antemano: el campo «lenguaje ocr», que es el idioma de reconocimiento, solo ofrece «automático», «inglés» y «ruso». «automático» lee inglés y ruso a la vez. Si el documento no tiene texto en ruso, elige «inglés»: en el modo «automático», las letras latinas pueden reconocerse como letras cirílicas de aspecto parecido. El español no está disponible: un texto en español se reconoce sin su propio modelo de idioma, y las letras con tilde o la ñ pueden perderse o sustituirse por otras. Para documentos en inglés el OCR funciona bien; con textos en español tendrás que revisar el resultado a fondo. Si el escaneo está torcido, activa «alinear», y en «calidad del ocr» elige «preciso» cuando la precisión importe más que la velocidad.

La calidad del reconocimiento depende del original. La letra pequeña, la inclinación y el ruido provocan errores, sobre todo en los números. En una factura de 12 580 euros, comprueba por separado el importe, el número y la fecha: un apellido bien reconocido no basta para fiarte de toda la página. Si tienes un escaneo más nítido, empieza por él. Los ajustes se explican con más detalle en Cómo reconocer texto en un PDF escaneado con OCR.

El texto se convirtió en trazados

A veces una página parece un documento compuesto normal, pero no se puede seleccionar ninguna letra y el TXT muestra «(página vacía)». Una causa frecuente es que el texto se convirtió en trazados (contornos) al exportarlo desde un programa de diseño o al prepararlo para imprenta. Cada letra pasó a ser una forma vectorial, como una línea o un logotipo, y el archivo ya no contiene caracteres. Si las letras siguen nítidas al ampliar mucho, no es un escaneo, pero para copiar da igual: la página se comporta como una imagen.

Aquí también ayuda el OCR. Si abres el archivo en Editar PDF y pulsas «Reconocer texto (OCR)», el panel muestra el estado de cada página: «con texto», «escaneo» o «dibujo». La etiqueta «dibujo» indica una página sin texto pero con muchos gráficos vectoriales, lo típico del texto en trazados. La opción «Páginas sin texto» selecciona a la vez los escaneos y este tipo de páginas.

La copia está bloqueada por la configuración de seguridad

Un PDF puede abrirse sin contraseña y aun así prohibir la copia: el autor fijó restricciones con una contraseña de propietario. Entonces el visor desactiva «Copiar» o muestra un mensaje sobre permisos. No es lo mismo que una contraseña de apertura, sin la cual el archivo no muestra ninguna página.

Si el archivo se abre sin contraseña, PDF a texto extrae el texto directamente; no hace falta desbloquear nada antes. Si necesitas copiar en el propio visor, Desbloquear PDF elimina esas restricciones: deja vacío el campo «contraseña», ya que no se necesita la contraseña de propietario. Hazlo con tus propios documentos o con archivos que tengas permiso para usar. Las restricciones pueden formar parte de un acuerdo con el autor, y quitarlas no te da derecho a reutilizar el contenido.

Si el archivo pide contraseña para abrirse, tienes que conocerla: escríbela en el campo «contraseña». La herramienta no adivina contraseñas. Si no la tienes, pide al remitente una versión accesible. La protección se trata en Cómo quitar la contraseña de un PDF.

Al copiar salen caracteres sin sentido

Un PDF guarda por separado el aspecto de una letra y su significado. Si la tabla de correspondencias de la fuente está incompleta o dañada, la página se lee con normalidad, pero al portapapeles llega un galimatías. Normalmente la culpa es de la fuente o de la forma en que se exportó el documento. Cambiar la extensión a .txt no arregla nada.

Lo mejor es exportar de nuevo desde el programa original con las fuentes incrustadas. Si no tienes el original, cuidado con una trampa: PDF con OCR omite las páginas que ya tienen una capa de texto de al menos 24 caracteres sin contar espacios, aunque esa capa sea basura. La tarea termina, pero esas páginas quedan igual.

La solución es convertir primero las páginas en imágenes. Pasa el archivo por PDF a JPG: obtendrás un archivo ZIP con una imagen por página. Sube el ZIP completo o las imágenes descomprimidas a JPG a PDF y revisa el orden de las páginas. El nuevo PDF no tiene capa de texto, así que PDF con OCR reconocerá todas las páginas. Los enlaces y marcadores del original se pierden y el archivo puede crecer, así que guarda el original al lado. En cada uso, JPG a PDF acepta un número limitado de imágenes, y las imágenes de un ZIP también cuentan (el límite aparece en la página de la herramienta). Procesa un documento largo por partes y junta los PDF resultantes con Unir PDF. Este camino consume al menos tres operaciones de tu límite diario, y más si trabajas por partes.

Revisa el resultado completo

Cuando termines, abre la primera página, una intermedia y la última. Busca una palabra, copia una frase y compara los valores clave con la imagen. Revisa las tablas aparte: que haya texto no significa que las celdas estén en el orden correcto en el TXT.

Si necesitas todo el texto y no una cita suelta, pasa a la extracción: cómo elegir el modo y configurar los saltos de página se explica en cómo extraer el texto de un PDF y guardarlo en TXT. Guarda el PDF original junto al resultado y anota los puntos donde el reconocimiento o el orden de las líneas necesitaron corrección manual.