Convertir PDF a TXT

Abre el PDF e intenta seleccionar una palabra con el ratón. Si se resalta, el archivo contiene texto de verdad y la extracción funcionará. Si el cursor barre la página sin resaltar nada, lo que tienes es una fotografía de un papel y dentro no hay una sola letra.

Esa distinción lo explica casi todo. Un PDF generado por software —exportado desde Word, impreso a PDF, emitido por un sistema de facturación— lleva caracteres. Un PDF escaneado lleva una imagen por página. Los dos se ven igual en el visor y no se parecen en nada, y ningún conversor extrae lo que no está.

El reconocimiento óptico de caracteres lee la imagen y escribe lo que cree ver. Es una operación distinta de la extracción y está en otra página de este sitio, porque el resultado es una conjetura y no una lectura.

Con texto impreso limpio y a buena resolución acierta mucho. Con un contrato pasado por fax, un lomo de libro curvado, una nota manuscrita o un escaneo a baja resolución se equivoca en silencio: la palabra equivocada simplemente aparece, escrita con seguridad. Buscar en el resultado no es lo mismo que confiar en él.

Un PDF guarda marcas colocadas en un lienzo: pon este carácter de esta fuente en esta coordenada. No guarda párrafos, ni encabezados, ni tablas. La extracción recupera los caracteres y su posición aproximada, y lo que sale es texto corrido.

Por eso una tabla llega como una sucesión de valores sin columnas, y por eso un documento a dos columnas puede llegar con las líneas entrelazadas. No es un fallo de la extracción: la estructura nunca estuvo escrita en el archivo, y reconstruirla es adivinar.

El texto se extrae en el orden en que el PDF lo dibujó, que normalmente coincide con el orden de lectura y a veces no. Un documento a dos columnas, una revista maquetada, una factura con cajas colocadas por posición o un PDF generado por una herramienta que dibuja de abajo arriba pueden salir desordenados.

La señal es reconocible: frases que empiezan bien y terminan en otra frase distinta. Si el documento es sencillo y a una columna, esto no pasa. Si es una maquetación compleja, conviene revisar el resultado antes de dárselo a un script que asuma que las líneas están en orden.

Las palabras partidas al final de línea llegan partidas, con el guión incluido, porque en el archivo son dos trozos separados. Las ligaduras tipográficas —fi, fl— pueden llegar como un carácter único que un buscador no encuentra al escribir las dos letras.

También aparecen comillas tipográficas donde esperabas las rectas, y espacios de anchura fija que parecen espacios normales y no lo son. Ninguno de estos rompe la lectura humana y todos rompen una comparación exacta en un script, que es la razón para saberlo antes y no después.

Las imágenes, obviamente, pero también las notas al pie quedan fuera de contexto, los encabezados y pies de página se repiten en cada página, y los números de página aparecen intercalados en el texto como si fueran parte de él.

Para pegar un documento en un modelo de lenguaje eso último es lo más molesto, porque un pie de página repetido cuarenta veces ocupa espacio y no dice nada. Limpiarlo después es un buscar y reemplazar; saber que va a estar ahí evita la sorpresa.

Un TXT no tiene fuentes, ni estilos, ni estructura, ni metadatos. Eso lo hace inútil como documento y perfecto como materia prima: pesa una fracción del PDF, lo lee cualquier cosa desde 1970, y se puede pasar por `grep`, por un script o por la ventana de un modelo sin intermediarios.

Si lo que quieres es un documento editable con su formato, este no es el destino: convertir a DOCX reconstruye una estructura aproximada, que es otra operación con otras concesiones. Aquí el objetivo son las palabras y nada más.

Piensa en qué PDF se convierte a texto: contratos que hay que buscar, sentencias, informes médicos, artículos bajo embargo, documentación interna que alguien quiere pegar en una herramienta de IA. Esa última costumbre es precisamente la que conviene mirar con cuidado.

La extracción ocurre dentro de la pestaña, así que el documento no se transmite a ningún sitio. Puedes desconectar la red y convertir igualmente. Lo que hagas después con el texto ya es decisión tuya, y al menos la primera parte del camino no ha pasado por el servidor de nadie.