Copiar el texto de un PDF que no se deja copiar
Publicado el · Actualizado el 2 min de lectura
Quiere recuperar el texto de un PDF y la selección con el ratón no funciona, o da letras en desorden. Todo depende de lo que el documento contenga de verdad: texto, o solo imágenes de texto. La extracción no da lo mismo en los dos casos.
Texto real o imagen de texto
Abra el PDF e intente seleccionar una palabra. Si la selección funciona, el documento contiene texto real. Si no, sus páginas son imágenes, como las de un escaneo: para el ordenador es una foto, no letras.
Qué hace la herramienta
PDF a texto lee directamente el texto real y aplica un reconocimiento de caracteres a las páginas que no lo tienen, es decir, «lee» la imagen para encontrar las letras. El resultado es un archivo de texto con una marca antes de cada página: «--- Page 1 [native] ---» para un texto real, «--- Page 1 [ocr] ---» para una página reconocida. Para un informe de diez páginas, el archivo ocupa unos 5 KB.
Una página de dos columnas
La herramienta lee las líneas a todo lo ancho de la página. Las líneas de las dos columnas se mezclan, por tanto: la izquierda y la derecha se encadenan línea tras línea. Una palabra cortada al final de línea sigue cortada, por ejemplo «com» y luego «menzado», y el guion desaparece. Las celdas de una tabla llegan en una sola línea, separadas por espacios.
Una página escaneada
Una página convertida en imagen ya no tiene texto real. El reconocimiento lleva unos segundos por página y recupera el texto, la palabra cortada y las líneas de una tabla, con las mismas columnas mezcladas. El motor está ajustado para el francés: otro idioma puede reconocerse peor, y la nitidez del escaneo influye mucho en el resultado.
Releer antes de usar
- Compruebe los nombres propios, las cifras y los acentos.
- Localice los cambios de columna.
- Para conservar la maquetación, convierta mejor el PDF en imágenes.
- Conserve el PDF original.
Para qué documentos
Un contrato escaneado, una factura recibida como imagen, un artículo cuya selección no funciona o un informe del que quiere recuperar unos párrafos: la extracción da un archivo de texto para copiar en otra parte.
Preguntas frecuentes
- ¿Cómo saber si mi PDF contiene texto real?
- Intente seleccionar una palabra. Si la selección funciona, el texto es real. Si no, las páginas son imágenes, como las de un escaneo.
- ¿Puede la herramienta leer un PDF escaneado?
- Sí, aplica un reconocimiento de caracteres a las páginas que no tienen texto. El motor está ajustado para el francés y la nitidez del escaneo influye mucho.
- ¿Por qué se mezclan las dos columnas?
- La herramienta lee las líneas a todo lo ancho de la página, así que las columnas se mezclan. Para conservar la maquetación, convierta mejor el PDF en imágenes.
- ¿Qué significan «[native]» y «[ocr]» en el resultado?
- «[native]» indica un texto real y «[ocr]» una página reconocida a partir de una imagen. La segunda exige una relectura más atenta.