Extraer texto de archivos PDF e imágenes

¿Tiene un documento PDF del que le gustaría extraer todo el texto? ¿Qué pasa con los archivos de imagen de un documento escaneado que desea convertir en texto editable? Estos son algunos de los problemas más comunes que he visto en el lugar de trabajo al trabajar con archivos.

En este artículo, hablaré sobre varias formas diferentes de intentar extraer texto de un PDF o de una imagen. Los resultados de su extracción variarán según el tipo y la calidad del texto en el PDF o la imagen. Además, sus resultados variarán según la herramienta que utilice, por lo que es mejor probar tantas opciones como sea posible para obtener los mejores resultados.

Extraer texto de imagen o PDF

La forma más sencilla y rápida de comenzar es probar un servicio de extracción de texto PDF en línea. Estos son normalmente gratuitos y pueden proporcionarle exactamente lo que busca sin tener que instalar nada en su computadora. Aquí hay dos que he usado con muy buenos a excelentes resultados:

ExtraerPDF

extractopdf

ExtraerPDF es una herramienta gratuita para capturar imágenes, texto y fuentes de un archivo PDF. La única limitación es que el tamaño máximo del archivo PDF es de 10 MB. Eso es un poco pequeño; así que si tiene un archivo más grande, pruebe algunos de los otros métodos a continuación. Elija su archivo y luego haga clic en el Enviar archivo botón. Los resultados son normalmente muy rápidos y debería ver una vista previa del texto cuando hace clic en la pestaña Texto.

descargar texto

También es un buen beneficio adicional que también extrae imágenes del archivo PDF, ¡en caso de que las necesite! En general, la herramienta en línea funciona muy bien, pero me he encontrado con un par de documentos PDF que me dan resultados divertidos. El texto se extrae bien, pero por alguna razón tendrá un salto de línea después de cada palabra. No es un gran problema para un archivo PDF corto, pero ciertamente un problema para archivos con mucho texto. Si eso le sucede a usted, pruebe la siguiente herramienta.

OCR en línea

OCR en línea Por lo general, solía funcionar para los documentos que no se convertían correctamente con ExtractPDF, por lo que es una buena idea probar ambos servicios para ver cuál le brinda un mejor resultado. El OCR en línea también tiene algunas características más agradables que pueden resultar útiles para cualquier persona con un archivo PDF grande que solo necesita convertir texto en unas pocas páginas en lugar de en todo el documento.

Lo primero que debe hacer es seguir adelante y crear una cuenta gratuita. Es un poco molesto, pero si no crea la cuenta gratuita, solo convertirá parcialmente su PDF en lugar de todo el documento. Además, en lugar de solo poder cargar solo un documento de 5 MB, puede cargar hasta 100 MB por archivo con una cuenta.

ocr en línea

Primero, elija un idioma y luego elija el tipo de formatos de salida que le gustaría para el archivo convertido. Tiene un par de opciones y puede elegir más de una si lo desea. Debajo Documento de varias páginas, Puedes elegir Número de páginas y luego elija solo las páginas que desea convertir. Luego, selecciona el archivo y hace clic en Convertir!

documentos ocr en línea

Después de la conversión, accederá a la sección Documentos (si ha iniciado sesión), donde podrá ver cuántas páginas gratuitas disponibles le quedan y enlaces para descargar sus archivos convertidos. Parece que solo tienes 25 páginas gratis al día, así que si necesitas más que eso, tendrás que esperar un poco o comprar más páginas.

El OCR en línea hizo un excelente trabajo al convertir mis archivos PDF porque pudo mantener el diseño real del texto. En mi prueba, tomé un documento de Word que usaba viñetas, diferentes tamaños de fuente, etc. y lo convertí a PDF. Luego utilicé Online OCR para convertirlo de nuevo al formato Word y era aproximadamente un 95% igual que el original. Eso es bastante impresionante para mí.

Además, si está buscando convertir una imagen en texto, el OCR en línea puede hacerlo con la misma facilidad que extraer texto de archivos PDF.

OCR en línea gratuito

Ya que estábamos hablando de OCR de imagen a texto, permítanme mencionar otro buen sitio web que funciona muy bien con imágenes. OCR en línea gratuito fue muy bueno y muy preciso al extraer texto de mis imágenes de prueba. Tomé un par de fotos de mi iPhone de páginas de libros, folletos, etc. y me sorprendió lo bien que pudo convertir el texto.

ocr en línea gratis

Elija su archivo y luego haga clic en el botón Cargar. En la siguiente pantalla, hay un par de opciones y una vista previa de la imagen. Puede recortarlo si no quiere OCR todo. Luego, simplemente haga clic en el botón OCR y el texto convertido aparecerá debajo de la vista previa de la imagen. Tampoco tiene limitaciones, lo cual es realmente bueno.

Además de los servicios en línea, hay dos convertidores de PDF gratuitos que quiero mencionar en caso de que necesite software que se ejecute localmente en su computadora para realizar las conversiones. Con los servicios en línea, siempre necesitará una conexión a Internet y es posible que eso no sea posible para todos. Sin embargo, noté que la calidad de las conversiones de los programas gratuitos era significativamente peor que la de los sitios web.

Extractor de texto A-PDF

Extractor de texto A-PDF es un programa gratuito que hace un trabajo bastante bueno al extraer texto de archivos PDF. Una vez que lo descargue e instale, haga clic en el botón Abrir para elegir su archivo PDF. Luego haga clic en Extraer texto para iniciar el proceso.

extractor de apdf

Le pedirá una ubicación para almacenar el archivo de salida de texto y luego comenzará a extraer. También puede hacer clic en el Opción , que le permite elegir solo ciertas páginas para extraer y el tipo de extracción. La segunda opción es interesante porque extrae el texto en diferentes diseños y vale la pena probar las tres para ver cuál te da el mejor resultado.

Piloto de PDF2Text

Piloto de PDF2Text hace un buen trabajo al extraer texto. No tiene opciones; simplemente agrega archivos o carpetas, convierte y espera lo mejor. Funcionó bien en algunos archivos PDF, pero para la mayoría de ellos, hubo numerosos problemas.

pdf2text

Simplemente haga clic en Agregar archivos y luego haga clic en Convertir. Una vez que se complete la conversión, haga clic en Examinar para abrir el archivo. Su kilometraje variará con este programa, así que no espere mucho.

Además, vale la pena mencionar que si se encuentra en un entorno corporativo o puede obtener una copia de Adobe Acrobat del trabajo, entonces realmente puede obtener resultados mucho mejores. Obviamente, Acrobat no es gratuito, pero tiene opciones para convertir PDF a formato Word, Excel y HTML. También hace el mejor trabajo para mantener la estructura del documento original y convertir texto complicado.

Santiago
Los ordenadores siempre han sido una gran parte de mi vida. Decidí crear este sitio para plasmar todo lo aprendido durante tantos años trasteando con estás maquinas. Cuando no estoy editando mi web, me dedico a reparar aerogeneradores.

Deja un comentario