Extraer texto de PDF

Acerca de Extraer texto de PDF

El texto de un PDF no se guarda como frases. Es una lista de órdenes —dibuja este glifo de esta fuente en esta posición— y a menudo el archivo no tiene ninguna noción de líneas, párrafos u orden de lectura. Esta herramienta lee con pdf.js los fragmentos de texto con su posición y tamaño, y reconstruye líneas, columnas, párrafos y títulos solo a partir de la geometría.

Por eso la calidad depende de dos cosas: que el PDF registre qué significa cada glifo en Unicode, y que la maquetación se pueda deducir de las coordenadas. Las páginas sin capa de texto, como los escaneos, salen vacías, y la herramienta te remite al OCR.

Por qué el texto extraído sale con caracteres raros

Las fuentes incrustadas suelen ser subconjuntos con solo los glifos usados, y el contenido de la página se refiere a números de glifo dentro de esa fuente, no a caracteres. La tabla que devuelve esos números a Unicode es el CMap ToUnicode. Si falta o está mal, la página se ve perfecta en pantalla pero al copiar salen símbolos, cajas vacías o las tildes separadas de su letra: la forma se puede dibujar sin saber qué representa. Las ligaduras son un caso menor: «fi» dibujado como un solo glifo puede salir como un carácter de ligadura o desaparecer.

Las fuentes Type 3 definen cada glifo con operadores de dibujo normales de PDF y con frecuencia no llevan información Unicode alguna. Aparecen en salidas de TeX antiguas, algunos programas de CAD o de informes y conversores raros. Ningún extractor puede recuperar un texto que el archivo nunca guardó; lo práctico es renderizar la página y pasar OCR. Una prueba rápida: copia una frase en tu visor de PDF y pégala en un editor de texto plano. Si ahí sale mal, la extracción también.

Por qué se desordena, y cómo ordena esta herramienta

Un PDF puede dibujar el texto en cualquier orden. Hay artículos a dos columnas que dibujan la primera línea de la izquierda, luego la primera de la derecha, y así sucesivamente; otros dibujan cabeceras y notas al pie al final. Seguir el orden del archivo intercala las columnas línea a línea, el síntoma clásico de una extracción ingenua.

La herramienta descarta ese orden y lo recalcula con un XY-cut recursivo. Apila los glifos en franjas horizontales; cuando varias franjas comparten un hueco vertical vacío en la misma posición, esa región se trata como multicolumna, se corta por el hueco y cada columna se procesa igual. El resultado va región por región desde arriba y, dentro de cada región, de la columna izquierda a la derecha. Un pie de figura que cruza ambas columnas o una tabla que atraviesa el hueco rompen la separación y pueden desordenar partes.

El texto girado y el vertical se sacan del análisis de columnas y se leen aparte. Las cabeceras de tabla de lado y los rótulos de planos a 90° se agrupan por ángulo y se leen como líneas en su propia dirección; el japonés vertical se lee columna a columna desde la derecha, de arriba abajo. Ambos se añaden como párrafos aparte después del texto horizontal de la página, no en su sitio original (como una celda de tabla).

Cómo se recuperan espacios y saltos de línea

Muchos PDF no guardan el carácter de espacio; solo desplazan la pluma. La herramienta inserta un espacio cuando el hueco entre dos glifos supera 0,12 veces el tamaño de letra. Entre caracteres coreanos, chinos o japoneses, que ya son anchos, espera a 0,22 veces. Los títulos con mucho interletraje pueden salir como «T Í T U L O».

Los glifos cuyas líneas base coinciden dentro del 35 % del tamaño forman una línea. Con «unir saltos de línea» activado, la división a final de línea del tipo «docu-/mento» se deshace solo si la palabra unida («documento») aparece en otra parte del documento o la segunda parte es un sufijo como -ción o -mente; si no, se conserva el guion, así que un compuesto real partido en el corte, como «teórico-/práctico», queda «teórico-práctico».

Cabeceras, números de página y títulos

Las líneas del 12 % superior e inferior de cada página se comparan sustituyendo los dígitos por #, y la que se repite en al menos la mitad de las páginas (mínimo dos) se quita como cabecera o pie. También se eliminan números de página sueltos como «- 12 -», «12 / 40» o «Page 12». Un título es un bloque de al menos 1,15 veces el tamaño del cuerpo del documento, de tres líneas o 160 caracteres como mucho; los tamaños se ordenan para asignar niveles de Markdown del 1 al 4.

Ejemplos

Cómo se usa

1. Añade un PDF; verás las columnas por página y las páginas sin texto.
2. Elige TXT o Markdown, el tratamiento de saltos de línea y si quitar cabeceras.
3. Revisa el orden en la vista previa y copia o descarga.

Preguntas frecuentes

Guías relacionadas

• Cómo convertir un PDF escaneado en un documento con búsqueda: OCR y ajustes de escaneo