text_fields Extractor de Texto de PDF star

Qué Es Realmente la Capa de Texto de un PDF

Un PDF no es una imagen de una página — al menos, no habitualmente. Cuando un PDF se produce desde un procesador de texto, una página web o software de maquetación, el contenido de la página se almacena como una secuencia de instrucciones de dibujo: "coloca el glifo G en la posición (x, y) usando la fuente F en tamaño S", repetido para cada carácter de la página. Cada una de esas instrucciones de colocación de glifo lleva una referencia de vuelta a la tabla de codificación de caracteres de una fuente, que es cómo el software puede volver a mapear la forma dibujada a un carácter Unicode real en lugar de solo una imagen de uno. Esta herramienta funciona cargando el PDF con la biblioteca de código abierto pdf.js de Mozilla y llamando a su API getTextContent() en cada página — de forma crucial, esto lee ese flujo de instrucciones directamente, sin renderizar nunca la página a píxeles, así que funciona incluso en un dispositivo sin aceleración gráfica y se ejecuta casi instantáneamente en comparación con renderizar.

Esto es fundamentalmente distinto de un PDF escaneado, que es lo que obtienes cuando un documento en papel se fotografía o se pasa por un escáner y se guarda como PDF — en ese caso la "página" es solo una imagen JPEG o TIFF de página completa sin ninguna instrucción de glifo detrás en absoluto, porque ningún software supo jamás qué decía el texto; solo capturó píxeles. Llamar a getTextContent() en una página escaneada no devuelve nada, o casi nada, porque no hay una capa de texto que leer — la información genuinamente no está en el archivo, de la misma forma que no puedes seleccionar texto en una página escaneada en un visor de PDF normal. Recuperar texto de un documento escaneado requiere una técnica completamente diferente, el OCR (reconocimiento óptico de caracteres), que analiza las formas de los píxeles y adivina los caracteres; eso es un proceso fundamentalmente distinto, mucho más propenso a errores, que esta herramienta no realiza. Si tu PDF es un escaneo, busca en su lugar una herramienta dedicada de imagen a texto (OCR) — hay una planeada por separado en este sitio.

Por Qué el Texto Extraído Puede Salir Desordenado

Un problema más sutil afecta incluso a los PDF que sí tienen una capa de texto real: getTextContent() devuelve los elementos de colocación de glifos en el orden en que fueron originalmente dibujados cuando se generó el PDF — no necesariamente el orden en que un humano los leería. La mayoría de los documentos simples de una sola columna se dibujan de arriba a abajo, de izquierda a derecha, coincidiendo con el orden natural de lectura, así que la extracción se ve correcta. Pero un exportador de PDF es libre de dibujar el contenido en cualquier secuencia que elija, y muchos no preservan el orden visual: un artículo académico de dos columnas, una maquetación de revista, una tabla o un PDF con cuadros de texto y llamadas puede fácilmente tener su orden de dibujo entrelazado o completamente invertido respecto a cómo se movería el ojo de un lector por la página, porque la especificación define la posición, no la secuencia de lectura. Esta herramienta concatena los elementos de cada página en el orden en que pdf.js los reporta y separa las páginas con un marcador claro --- Página N --- para que puedas ver exactamente de qué página proviene cada bloque y reordenar manualmente un resultado de varias columnas si es necesario.

• No se sube nada: el PDF se analiza enteramente del lado del cliente usando pdf.js ejecutándose en tu navegador; el archivo nunca llega al servidor de este sitio.
• Los PDF protegidos con contraseña no se abrirán — esta herramienta no intenta eludir el cifrado ni los permisos de PDF.
• El espaciado extraído puede diferir de la maquetación visual — las tablas en particular a menudo se extraen como una secuencia plana de valores de celda en lugar de una cuadrícula formateada, ya que el PDF no tiene un concepto nativo de "tabla" como sí lo tiene HTML.
• Los documentos de varias páginas obtienen marcadores de página para que puedas saber dónde termina el contenido de una página y dónde empieza la siguiente, ya que las páginas de PDF son en otro caso flujos de contenido independientes sin ningún salto de párrafo inherente entre ellas.