Extraer texto de un PDF, ya sea como un archivo de texto sin formato o en un documento editable, es una de las operaciones de PDF que se necesitan con más frecuencia. El enfoque que funcione mejor depende de si el PDF tiene una capa de texto real o es una imagen escaneada, y de lo que planea hacer con el texto extraído.
El método más simple: copiar y pegar
Para un PDF con texto seleccionable, copiar y pegar en un editor de texto o procesador de textos suele ser el método más rápido. Abra el PDF, presione Ctrl+A para seleccionar todo, Ctrl+C para copiar, luego Ctrl+V para pegar en el Bloc de notas, TextEdit, Word o donde necesite el texto. Esto funciona bien para documentos cortos o cuando sólo necesitas el contenido rápidamente sin preocuparte por preservar la estructura.
La limitación: copiar y pegar no conserva el formato, y para PDF de varias columnas o documentos con diseños complejos, el texto a menudo aparece en el orden incorrecto: las columnas se entrelazan, las notas al pie aparecen a mitad del párrafo, los encabezados y pies de página se mezclan con el cuerpo del texto. Para un documento lineal simple esto no es un problema. Para diseños complejos, puede resultar difícil trabajar con el texto extraído.
Conversión a Word para una mejor estructura
Cuando la extracción de texto necesita preservar párrafos, encabezados y estructura básica, para que pueda editar el contenido en un procesador de textos en lugar de simplemente leerlo como texto sin formato, convertir a Word es una mejor opción que copiar y pegar. Un PDF Converter analiza la estructura del documento e intenta reconstruir párrafos, encabezados, listas y tablas como elementos adecuados de Word en lugar de simplemente deshacerse de todo el texto en orden de lectura.
Google Docs hace esto de forma gratuita: cargue el PDF en Drive, ábralo con Google Docs y el texto aparecerá con su estructura razonablemente conservada. Para una conversión más precisa de documentos complejos, las herramientas dedicadas de PDF a Word manejan el análisis de diseño mejor que el importador integrado de Google.
Extracción a texto sin formato (.txt)
Para el procesamiento de datos, enviar contenido a otras herramientas o archivar solo el contenido del texto sin ningún formato, una extracción simple de .txt es más limpia que una conversión de Word. Adobe Acrobat (la versión paga) puede guardar un PDF como texto sin formato a través de Archivo → Exportar a → Texto (sin formato). El Acrobat Reader gratuito no puede guardar texto, pero puede copiarlo todo y pegarlo en el Bloc de notas, lo que efectivamente produce el mismo resultado.
Para extracción por lotes o uso programático, Python con la biblioteca pdfplumber o PyPDF2 extrae texto de múltiples PDF automáticamente, lo cual es útil cuando necesita procesar muchos documentos. Las herramientas de línea de comandos como pdftotext (parte del paquete de utilidades Poppler, disponible en Mac a través de Homebrew y Linux a través de administradores de paquetes) hacen lo mismo de manera eficiente sin escribir ningún código.
PDFs escaneados: OCR primero
Para PDFs escaneados sin una capa de texto, ninguno de los métodos anteriores funciona: no hay texto para extraer. La página se almacena como una imagen. Primero se debe ejecutar OCR para reconocer los caracteres y crear una capa de texto antes de que sea posible cualquier extracción. La herramienta OCR PDF de WukongPDF agrega la capa de texto al PDF; después de eso, los métodos de copiar y pegar o de conversión anteriores funcionan normalmente en la versión con OCR.
Open with Google Docs de Google Drive también ejecuta OCR automáticamente en PDFs escaneados; es una de las opciones gratuitas más convenientes porque el OCR y la extracción de texto se realizan en un solo paso, produciendo un documento editable directamente desde el escaneo. La precisión depende de la calidad del escaneo, como siempre.
Lo que se pierde en la extracción de texto
Cualquier extracción de texto descarta imágenes, cuadros, diagramas y formatos visuales. Las tablas pueden aparecer como texto separado por tabulaciones o pueden estar codificadas según el método de extracción. La notación matemática, las fórmulas químicas y los símbolos especializados a menudo no sobreviven correctamente a la extracción: pueden omitirse, reemplazarse con caracteres marcadores de posición o representarse como secuencias confusas. Para documentos donde estos elementos son importantes, la conversión a Word en lugar de texto sin formato conserva más de la estructura original.