Cómo extraer texto de un PDF y por qué algunos PDF no devuelven nada

Dos PDF pueden verse idénticos en un visor y comportarse de forma totalmente distinta cuando intentas sacarles el texto. Uno te entrega cada frase. El otro no te entrega nada, y ningún ajuste va a cambiar eso. La diferencia no se ve en pantalla, así que conviene entenderla antes de culpar a la herramienta.

Capa de texto y OCR, definidos

Una capa de texto es el conjunto de caracteres que un PDF guarda como texto, cada uno con una posición en la página. Seleccionar una palabra, buscar con Ctrl+F o Cmd+F y extraer texto son acciones que leen la capa de texto y nada más. Un PDF exportado desde un procesador de textos o un navegador tiene una, porque el programa sabía qué era cada carácter cuando escribió el archivo.

OCR (reconocimiento óptico de caracteres) es la tarea aparte de averiguar qué caracteres aparecen en la imagen de una página. Un escáner o la cámara de un teléfono producen una imagen, así que un PDF escaneado tiene páginas pero no capa de texto, y la extracción no devuelve nada hasta que algo haya hecho OCR. Esta herramienta no hace OCR. Reconocer glifos a partir de píxeles es una operación distinta que exige una descarga mucho más pesada, y la página de la herramienta lo menciona entre las cosas que no hace.

La prueba más rápida no necesita ninguna herramienta: abre el PDF e intenta seleccionar una sola palabra. Si no puedes, es casi seguro que la página es una imagen.

PDF to text, paso a paso

1. Abre PDF to text y elige Add a PDF (añadir un PDF), o arrástralo a la página. Cada página aparece como miniatura. Si el archivo está protegido con contraseña, primero te la pide.
2. Presiona el botón PDF to text. No hay ajustes que elegir.
3. Antes que nada, lee la primera página del resultado en el cuadro. Te dice de inmediato si el documento tiene capa de texto y si su orden coincide con el orden de lectura. Después usa Copy (copiar) para copiar el texto o Download (descargar) para bajarlo como document.txt.

Cómo se ve el resultado

La herramienta lee el texto de cada página en el orden en que el archivo lo enumera, une los fragmentos con un solo espacio y empieza la página siguiente después de una línea en blanco. Los saltos de línea dentro de una página no se conservan, así que cada página llega como un único párrafo largo. Es un buen formato para buscar, citar o pegar en algo que vaya a reacomodar el texto, y uno malo para cualquier cosa en la que los saltos de línea tengan significado, como el bloque de una dirección postal.

No hay límite de páginas. Un informe de 300 páginas es la misma operación que un recibo; la única diferencia es cuánto tarda tu propio procesador.

Por qué algunos PDF no dan nada y otros dan un revoltijo

Lo que añades	Lo que obtienes	Por qué
Un documento exportado desde un procesador de textos o un navegador	El texto, un bloque por página	Tiene capa de texto
Un artículo a dos columnas con un encabezado repetido	Todas las palabras, con las columnas en parte intercaladas	La extracción sigue el orden interno del archivo, no el visual
Un documento escaneado	Nada	Cada página es una imagen sin capa de texto, y la herramienta no hace OCR
Un PDF hecho a partir de fotos con Images to PDF	Nada	Esa herramienta dibuja imágenes en las páginas y no añade texto
Un PDF reducido con el ajuste Strong o Smallest de Compress PDF	Nada	Ambos convierten cada página en un JPEG y lo vuelven a incrustar, así que la capa de texto desaparece
Un PDF protegido con contraseña	Una solicitud de contraseña y luego el texto	El contenido está cifrado hasta que se abre el archivo

El escaneo es el caso con el que la gente se topa. No le pasa nada al archivo ni al extractor: no hay texto adentro, solo imágenes de texto. Cuando ninguna página tiene texto, la herramienta lo dice: informa que no encontró texto, señala un escaneo como causa probable y aclara que no hace OCR. Hasta octubre de 2026 devolvía un cuadro vacío sin ninguna explicación, que es justo la confusión que esta guía quiere despejar. Las dos filas siguientes son el mismo fallo provocado a propósito. Un documento que pasó por un compresor que rasteriza es, para cualquier extractor, un escaneo; es el intercambio que se describe en nuestra medición de la compresión de PDF sin pérdida.

El intercalado es el problema más sutil. El orden de lectura es la secuencia en que una persona lee las palabras, y un PDF no lo registra. Guarda glifos con coordenadas, y el párrafo que ves es algo que arma tu vista. La mayoría de los programas que generan PDF enumeran el texto en orden de lectura, así que la mayoría de los archivos salen bien. En un diseño a dos columnas, las columnas suelen intercalarse, y el texto de encabezados, pies de página o cuadros flotantes puede aparecer en cualquier punto del flujo. No existe una solución general confiable sin análisis del diseño de página, y ninguna biblioteca que funcione en el navegador lo implementa.

Si el PDF es un escaneo

Necesitas OCR, y este sitio no lo ofrece. Si el programa de OCR que usas pide imágenes en lugar de un PDF, convierte las páginas con PDF to JPG a 300 dpi, que es la resolución que esa herramienta recomienda para OCR.

Texto, no un documento de Word

Por la misma razón aquí no hay un “PDF a Word”. Recuperar columnas, tablas y títulos significa deducir una estructura que nunca se registró. Toda herramienta gratuita que dice hacerlo devuelve una tira de texto plano con las tablas destrozadas, que es el mismo texto con una extensión de archivo engañosa. Esta herramienta te da el texto y te dice qué es.

Otras formas de hacerlo

En la lista que hemos verificado no hay ningún método integrado de escritorio. En la línea de comandos, pdftotext de poppler hace el trabajo:

pdftotext -layout input.pdf output.txt

Lee la misma capa de texto, así que un escaneo tampoco le da nada.

Cómo comprobar que no se subió nada

Añade el PDF y espera a que aparezcan las miniaturas, que es cuando la página descarga el código que lee los PDF. Luego desconéctate de la red y presiona el botón. La extracción se ejecuta igual, porque ocurre en la pestaña.

Extrae el texto con PDF to text. Si quieres que los saltos de página queden marcados, PDF to Markdown hace la misma extracción y pone un título antes de cada página.