Cómo convertir PDF a texto (extrae texto en bruto para editar y analizar)

A veces un PDF es exactamente el contenedor equivocado. No quieres las fuentes, los márgenes ni la maquetación a dos columnas — quieres las palabras, como materia prima: para pegarlas en un editor, pasarlas por un script, contarlas, traducirlas, buscar en ellas, meterlas en un análisis. Convertir PDF a texto plano despoja todo excepto el contenido, y ese es precisamente el objetivo.

Razones típicas para hacerlo:

• Editar — retrabajar cláusulas tipo de un contrato o el texto de un informe sin pelearse con editores de PDF.
• Scripts y análisis — grep, frecuencias de palabras, tuberías de datos, alimentar documentos a herramientas que comen texto plano.
• Traducción — la mayoría de flujos de traducción quieren texto limpio, no un documento con estilos.
• Accesibilidad y portabilidad — un .txt se abre en cualquier cosa, hasta en una máquina de hace 30 años.

Una nota antes de empezar: Extraer texto en pdfty es el mismo motor — ambos sacan el texto incrustado del PDF. Cualquiera de los dos que encuentres primero te dará las mismas palabras; PDF a TXT te las devuelve como un archivo .txt descargable.

Cómo convertir PDF a texto — paso a paso

🔒 pdfty.com/en/tools/pdf-to-txt

El problema del escaneo: cuando no hay texto que extraer

Esta es la sorpresa más común en la extracción de texto de PDF. Un PDF puede contener su texto de dos maneras completamente distintas:

1. PDF digitales (exportados de Word, de una web, de un sistema de facturación) llevan una capa de texto real. La extracción es instantánea y precisa.
2. PDF escaneados (de un escáner o de la cámara del móvil) contienen solo fotos de texto. Literalmente no hay nada que extraer — la salida quedará vacía.

El arreglo para los escaneos es el OCR — reconocimiento óptico de caracteres — que lee los píxeles y construye una capa de texto. Pasa tu escaneo por OCR primero y luego convierte el resultado a texto. La precisión depende de la calidad del escaneo.

Texto plano vs Word vs HTML — ¿cuánta estructura necesitas?

El texto plano es un extremo del espectro. Decide con intención dónde aterrizas:

Regla práctica: si vas a leer o procesar el contenido, llévate TXT. Si un humano necesita ver el formato, llévate Word o HTML.

Alternativas locales gratuitas

Para trabajos puntuales el navegador es lo más rápido, pero si la extracción forma parte de tu caja de herramientas diaria — o los documentos no pueden salir de tu máquina — estas vías locales son sólidas:

pdftotext (poppler-utils — gratis, todas las plataformas). El patrón oro de la extracción por línea de comandos:

pdftotext input.pdf output.txt

Añade -layout para aproximar con espacios las posiciones de columna originales — genuinamente útil para texto tabular. Se instala vía Homebrew en macOS o con tu gestor de paquetes en Linux.

Copiar y pegar desde un visor. Para una página o dos, seleccionar todo en tu visor de PDF y pegarlo en un editor funciona. Cuenta con limpiar saltos de línea y alguna columna revuelta.

Microsoft Word. Word abre PDF y los convierte en documentos editables, desde los que puedes guardar como .txt. Más lento, y refluye el documento por el camino — matar moscas a cañonazos cuando solo quieres texto en bruto.

Detalles prácticos a tener en cuenta

• La maquetación desaparece — por diseño. Las páginas multicolumna salen como texto lineal, las tablas se aplastan en líneas y los cuadros de texto caen donde les toque en el flujo de contenido. Si las columnas se entrelazan mal, pdftotext -layout o PDF a Word manejan mejor las maquetaciones complejas.
• Encabezados, pies y números de página se repiten. Los encabezados corridos aparecen una vez por página en la salida. Una pasada rápida de buscar-y-borrar (o un script de una línea) los limpia.
• Guionado. Las palabras partidas entre líneas en texto justificado («docu- mento») siguen partidas. Se arregla con buscar-y-reemplazar sobre «- » seguido de minúscula — imperfecto pero rápido.
• Ligaduras y símbolos. La tipografía fina (fi, fl, comillas tipográficas) sale como los caracteres que el PDF codifica realmente — normalmente bien en UTF-8, a veces merece una pasada de normalización antes de analizar.
• Una salida vacía o corrupta casi siempre significa un escaneo (OCR primero) o, rara vez, un PDF con codificaciones de fuente deliberadamente ofuscadas. Para lo segundo, el OCR es irónicamente también el arreglo: rasteriza mentalmente y lee los píxeles.

Preguntas frecuentes

¿Por qué mi archivo de salida está vacío?

Tu PDF es casi con seguridad un escaneo — fotos de páginas, sin capa de texto. Pásalo antes por OCR y luego extrae. La prueba de los 5 segundos: si no puedes seleccionar texto en un visor de PDF, no hay texto.

¿La salida conserva negritas, títulos y fuentes?

No — los archivos .txt no pueden representar formato en absoluto, así que obtienes caracteres puros. Esa es la gracia: nada con lo que pelear al editar o programar. Para formato, usa PDF a Word.

¿Qué pasa con las tablas?

Se aplanan en líneas simples, y la alineación de columnas generalmente se pierde. Para tablas con las que necesitas trabajar, PDF a Excel está hecho exactamente para eso.

¿Es lo mismo que la herramienta Extraer texto?

Sí — Extraer texto ejecuta el mismo motor. Ambas sacan el texto del documento; usa la que encuentres primero.

¿Puedo extraer texto de solo unas páginas?

Pasa antes el PDF por Dividir hasta quedarte con las páginas que necesitas, y luego convierte. Mantiene la salida enfocada y dentro del límite gratuito de 50 páginas.

¿Funcionará con un PDF protegido con contraseña?

Quita primero la contraseña con Desbloquear (necesitas conocerla) y luego convierte con normalidad.

¿Mi documento está seguro?

Las subidas van solo por HTTPS, no hay cuenta y los archivos se eliminan automáticamente tras 1 hora. Para documentos que no puedas subir, pdftotext funciona totalmente sin conexión.

¿Cuáles son los límites gratuitos?

20 MB por archivo, 50 páginas, 10 operaciones al día — sin registro, sin marca de agua. Pro (9 $/mes) elimina los topes.