Skip to main content
GARGLOO

Guía · 5 min de lectura

Cómo extraer texto de una imagen escaneada

Sin herramienta OCR, por decisión deliberada: distingue PDF con texto de escaneos, prepara imágenes limpias y extrae texto fiable.

Última actualización: 2026-10-03

Herramientas para esta guía

Comprueba si tu PDF ya contiene texto

Antes de recurrir a ningún conversor, haz la prueba de diez segundos: abre el PDF, arrastra para seleccionar una frase y cópiala en un editor de texto. Si las palabras se pegan limpias, tu documento ya contiene una capa de texto real y todo lo de la sección de extracción de esta guía funcionará. Si la selección toma toda la página como un bloque, no selecciona nada o pega sinsentidos, estás ante imágenes escaneadas: fotos de texto sin caracteres dentro.

La herramienta PDF a texto resuelve la cuestión de forma definitiva. Suelta el archivo y te informa de palabras, caracteres y páginas extraídas, muestra el texto agrupado en líneas y ofrece un botón de copiar más una descarga .txt. Una opción reextrae con marcadores de página — separadores que dicen Página N entre páginas — lo que mantiene navegables los documentos largos cuando pegas el resultado en otro lugar. La extracción se ejecuta por completo en el navegador, así que el documento nunca se sube.

Cuando un archivo contiene solo imágenes escaneadas, la herramienta lo dice con claridad en lugar de inventar salida: su mensaje de error explica que el PDF podría contener solo imágenes escaneadas. Trata ese mensaje como un diagnóstico, no como un fallo: te dice que el documento necesita OCR, una tecnología distinta que se trata más abajo, y te evita confiar en texto inventado.

Entiende qué es realmente un escaneo

Un escáner o la cámara de un teléfono registra una cuadrícula de píxeles; no tiene idea de que esos píxeles forman letras. Un PDF basado en texto, en cambio, almacena cada carácter con su posición, fuente y codificación — por eso la selección, la búsqueda y la extracción funcionan ahí. Convertir un escaneo entre formatos nunca salva esa brecha: un PNG de una página y un PDF de la misma página contienen los mismos píxeles ignorantes, solo envueltos de forma distinta.

Muchos documentos reales son híbridos: un contrato generado digitalmente con una página de firma escaneada, o un informe donde alguien pegó fotos de tablas entre párrafos de texto. La extracción maneja esto con elegancia, devolviendo las páginas de texto real y poco o nada para las páginas de imagen. Los marcadores de página ganan aquí su valor, porque los huecos en la numeración revelan exactamente qué páginas volvieron vacías.

Esta distinción también explica resultados mixtos que la gente malinterpreta como errores: tres páginas se extraen perfectamente y la cuarta devuelve blanco. Nada falló: la cuarta página es una foto. Una vez que ves los documentos como una mezcla de páginas de texto y páginas de imagen, cada resultado de extracción se vuelve predecible.

Por qué el OCR instantáneo en el navegador es una señal de alerta

Este sitio no ofrece herramienta OCR, y esa ausencia es deliberada. El reconocimiento real de texto requiere motores de reconocimiento entrenados con datos de idioma — descargas de alrededor de 17 MB o más antes de reconocer una sola letra. Una página que promete OCR instantáneo sin descarga de motor, sin paquete de idioma y sin tiempo de espera se ha saltado el paso que hace el trabajo real, y las únicas formas de saltárselo son subir tu archivo al servidor de alguien o devolver conjeturas de baja calidad.

Eso importa doblemente para los escaneos, porque los documentos escaneados tienden a ser sensibles: contratos, documentos de identidad, formularios médicos y estados financieros son justo lo que la gente escanea. Subir esos documentos a un servidor desconocido para obtener texto que podrías conseguir con una herramienta honesta es un mal trato: el coste de privacidad es seguro mientras la calidad del reconocimiento es dudosa. El procesamiento local existe precisamente para que los documentos privados nunca necesiten salir del dispositivo.

Así que trata las promesas de OCR como tratas el mensaje de error de extracción de aquí: como información. Un producto OCR legítimo te dice qué idiomas admite, si el procesamiento ocurre en tu máquina o en sus servidores, y qué salida obtienes — PDF con texto buscable, texto plano, o ambos. Cualquier cosa más vaga que eso merece escepticismo, por pulida que parezca la página de inicio.

Prepara escaneos que un motor OCR real pueda leer

La calidad del reconocimiento se decide antes de que el motor OCR funcione jamás: una entrada limpia produce texto limpio, y ningún motor rescata una foto de teléfono torcida y con sombras de una página arrugada. Escanea con una resolución sensata — alrededor de 300 dpi es el punto de trabajo ampliamente usado para documentos — y mantén las páginas alineadas para que las líneas de texto discurran horizontales. Tanto la escala de grises como el color funcionan; lo que importa es el contraste entre letras y fondo, así que desactiva cualquier filtro artístico y evita sombras fuertes sobre la página.

Recorta bordes de escritorio, dedos y páginas vecinas, y endereza la inclinación antes de reconocer en lugar de después. Los documentos de varias páginas necesitan un tratamiento coherente: la misma resolución, orientación y recorte en cada página, en orden de lectura, para que el texto reconocido fluya sin sorpresas. Si una página está físicamente dañada — manchas de café, esquinas rotas, recibos térmicos desvanecidos — vuelve a escanearla ahora en lugar de luchar con la salida después.

Fotografiar páginas con el teléfono es aceptable cuando no hay escáner, pero controla las condiciones: página plana, luz uniforme desde arriba, cámara paralela al papel, sin destello de flash. Dos minutos cuidadosos por página en el momento de captura ahorran veinte minutos corrigiendo caracteres mal reconocidos después, en particular con nombres, números y términos legales donde un solo carácter erróneo cambia el significado.

Qué exigir a una herramienta OCR real

Cuando necesites reconocimiento, elige el motor con los ojos abiertos. Primero, la ubicación del procesamiento: un programa de escritorio o una app que funciona sin conexión mantiene los escaneos sensibles en tu máquina, mientras que un sitio web debe recibir tu archivo — aceptable para un menú de restaurante, cuestionable para un pasaporte. Segundo, el idioma admitido: el motor debe listar explícitamente el idioma de tu documento, ya que los modelos de reconocimiento son específicos por idioma y el modelo equivocado produce sinsentidos con confianza.

Tercero, el formato de salida: prefiere herramientas que devuelvan un PDF con texto buscable (imagen original con una capa de texto invisible) o texto plano limpio, y evita cualquier cosa que devuelva solo una imagen de nuevo. Cuarto, ayudas de verificación: vistas lado a lado, resaltado de confianza y diseño preservado señalan un producto serio. Pasa una página representativa por cualquier candidato antes de comprometer un archivo de cien páginas, y revisa nombres, fechas y cifras carácter por carácter: los motores fallan justo donde más importa la precisión.

El precio y la comodidad cortan en ambos sentidos: los servicios gratuitos tienen que sostenerse de alguna manera, mientras que los programas establecidos sin conexión cuestan dinero. Ajusta la herramienta a la sensibilidad del papel, no solo a la urgencia del momento.

Convierte el texto extraído en algo contable

Una vez que la extracción produce texto real — de un PDF basado en texto, o de salida OCR que produjiste en otro lugar — el Contador de palabras lo convierte en números útiles. Pega el texto y te informa de palabras, caracteres, caracteres sin espacios, frases, párrafos y líneas, actualizándose mientras escribes o editas. Esas seis cifras responden a las preguntas prácticas: ¿cabe este extracto en el campo del formulario?, ¿qué longitud tiene el pasaje citado?, ¿perdió la extracción párrafos enteros?

Un flujo sólido ejecuta extracción, luego recuento, luego limpieza en bucle. Extrae con marcadores de página para poder rastrear cada pasaje hasta su página de origen; pega en el contador para verificar la integridad frente a lo esperado — un contrato de diez páginas que devuelve cuarenta palabras claramente ha perdido páginas; recorta encabezados, pies de página y artefactos de guionado de la era del escaneo, observando cómo responden los recuentos. Las actualizaciones en vivo del contador hacen rápido este ordenado iterativo, porque cada eliminación muestra de inmediato su efecto.

Mantén corta y etiquetada la cadena de custodia: nombre del PDF de origen, descarga .txt extraída, borrador contado. Cuando una cifra del documento final parezca errónea semanas después, ese rastro te permite reabrir la extracción exacta y revisar la página exacta en lugar de preguntarte qué versión usó alguien.

Ejecuta una pasada de extracción limpia en PDF con texto

La extracción tiene éxito cuando el documento coopera, y la cooperación se verifica en menos de un minuto. Suelta un PDF en la zona de PDF a texto — se aceptan archivos de hasta 100 MB — y el procesamiento empieza de inmediato con un indicador de etapa Leyendo el documento, sin botón de convertir que buscar. La herramienta valida primero el cifrado mediante el mismo cargador que usa la canalización de fusión, así que un archivo bloqueado muestra un mensaje claro de contraseña en lugar de un bloqueo críptico. Cuando la ejecución termina, el encabezado informa de tres cifras juntas: palabras, caracteres y páginas extraídas, cada una formateada con separadores de miles para que un contrato de 12.408 palabras en 31 páginas se lea de un vistazo. Debajo está el propio texto agrupado, reensamblado línea por línea desde las líneas base de glifos y ordenado de izquierda a derecha, lo que preserva el orden de lectura multicolumna con mucha más fidelidad que copiar y pegar ingenuamente desde un visor.

Maneja los controles de salida con deliberación en lugar de pasarlos por alto. El botón Copiar texto coloca toda la extracción en el portapapeles para pegarla en editores, gestores de citas o el Contador de palabras; el botón Descargar .txt guarda el mismo contenido con el nombre del archivo de origen y extensión .txt, creando un artefacto auditable que puedes archivar junto al PDF. La casilla Incluir marcadores de página vuelve a ejecutar la extracción con separadores que dicen --- Página N --- entre páginas, así que una cita copiada meses después sigue apuntando a la página 14 en lugar de flotar anónimamente. Activa los marcadores cuando el documento supere unas pocas páginas, cuando los colaboradores vayan a verificar pasajes, o cuando se sospeche contenido híbrido: los separadores no cuestan nada y convierten un muro de prosa en una transcripción navegable donde los tramos vacíos señalan páginas de imagen.

Trata los recuentos como un instrumento de diagnóstico, no como decoración. Un acuerdo de servicios de diez páginas que devuelve cuarenta palabras claramente ha perdido páginas por anexos escaneados; un capítulo de tesis cuyo total de caracteres colapsa frente a lo esperado probablemente esconde tablas fotografiadas entre párrafos genuinos. Verifica cruzando al seleccionar una frase en el visor original y comparándola con las líneas extraídas: una redacción coincidente confirma la canalización, mientras que un orden alterado o diacríticos perdidos marcan secciones para manejar manualmente. Todo se ejecuta por completo en la pestaña con un aviso explícito de nunca subido bajo el panel, así que contratos, transcripciones y correspondencia médica pueden extraerse en una estación compartida sin encaminar prosa sensible por infraestructura lejana. Cuando la extracción sale bien, pega en el contador y empieza la limpieza; cuando devuelve el mensaje de solo escaneo, gira hacia la sección de enrutado de más abajo en lugar de machacar el mismo archivo.

Deriva los archivos de solo escaneo hacia reescritura o reconocimiento externo

El veredicto de solo escaneo merece respeto en lugar de soluciones alternativas. Cuando el extractor informa de que no se pudo extraer texto porque el archivo podría contener solo imágenes escaneadas, esa frase es el diagnóstico: llegaron píxeles donde se esperaban caracteres, y ningún control, cambio de formato o guardado nuevo conjura letras desde una fotografía. Convertir el PDF a imágenes, imprimir a un PDF nuevo o cambiar extensiones simplemente reenvuelve píxeles idénticos en contenedores nuevos mientras las formas de letra siguen siendo cuadrículas no reconocidas. Los archivos corruptos merecen un mensaje aparte que sugiere guardar de nuevo desde la aplicación de origen, y los archivos bloqueados con contraseña exigen primero el desbloqueo por el propietario: tres fallos distintos con tres remedios distintos, ninguno de los cuales implica pulsar el mismo botón con más fuerza. Aceptar el veredicto pronto rescata horas que de otro modo se gastarían lavando imágenes por conversores que prometen transcripción y entregan silencio reordenado.

Para escaneos cortos, la reescritura disciplinada frecuentemente supera a cualquier alternativa en precisión por minuto. Un certificado de una página, un recibo de media página, una tarjeta de vehículo con diecisiete campos: abre la imagen junto a un editor de texto, escribe lo que ves, y luego pega el resultado en el Contador de palabras para verificar los totales de palabras, caracteres, frases, párrafos y líneas frente al formulario receptor. Los números, los nombres propios y las fechas merecen una segunda mirada porque esos son justo los tokens que los motores de reconocimiento deforman y los humanos pasan por alto: lee los números de serie en voz alta dígito por dígito, confirma los nombres con acentos contra la imagen, y expande los guiones de salto de línea que los escaneos preservan como artefactos. Etiqueta el archivo escrito con su fuente, por ejemplo factura-2024-118-escrito.txt, para que futuros lectores distingan pulsaciones atestiguadas de salida de máquina y sepan qué página volver a revisar.

Los archivos más largos que justifican reconocimiento externo igualmente se benefician de la preparación hecha aquí. Endereza primero la rotación con una pasada de rotación, ya que las líneas base inclinadas castigan a cada motor posterior; recorta bordes de escritorio, pulgares y hojas vecinas para que la página llene el encuadre; captura fotografías de teléfono planas bajo iluminación uniforme desde arriba con el objetivo paralelo al papel y el flash desactivado para suprimir charcos de brillo. Escanea cerca de 300 dpi donde el hardware lo permita, mantén constantes la resolución y la orientación en todo el montón en orden de lectura, y vuelve a escanear ahora las hojas manchadas o rotas en lugar de corregir a su alrededor después. Evalúa los productos de reconocimiento candidatos con el escepticismo que esta guía defiende: exige idiomas declarados, una ubicación de procesamiento declarada que mantenga la materia sensible en hardware local cuando la sensibilidad lo justifique, salida en PDF con texto buscable o texto plano en lugar de otra imagen, y resaltado de confianza para verificación. Prueba una página representativa, revisa nombres y cifras carácter por carácter, y solo entonces compromete el archivo.

Rescata tablas, notas al pie y notas al margen tras la extracción

La materia tabular y las notas periféricas fallan primero bajo extracción, así que reserva una pasada de rescate dedicada para ellas. Las hojas de contabilidad, los aranceles, las cuadrículas de laboratorio y los apéndices de horarios dependen de la alineación de columnas que la salida de texto lineal no puede preservar: el extractor devuelve los contenidos de celdas fila por fila en orden de lectura, lo que mantiene presente cada cifra mientras renuncia a la cuadrícula visual. Reconstruye tablas pequeñas manualmente copiando la secuencia columnar extraída en una hoja de cálculo y volviéndola a cortar contra la imagen de página abierta al lado — primero la fila de encabezado, luego las cantidades, luego los subtotales — observando cómo responde el Contador de palabras mientras se podan guiones extraviados y encabezados duplicados. Los símbolos de daga, asteriscos, numerales en superíndice y apéndices entre paréntesis que anotan filas merecen reubicación en una columna de notas en lugar de abandono, ya que una nota de arancel puede invertir el significado de la cifra que califica.

Las notas al pie, las notas finales, los marginalia y las hojas de erratas necesitan una clasificación similar porque las pistas posicionales se evaporan fuera de la página. La salida extraída añade bloques de notas al pie donde el clasificador de líneas base los colocó, a menudo páginas lejos de sus anclas, así que reúne cada nota con su numeral buscando el texto marcador y pegando el par junto en el borrador de trabajo. Los marginalia manuscritos en memorandos por lo demás mecanografiados — iniciales de aprobación, números de párrafo rodeados, inserciones ligadas con flechas — nunca se extraen cuando son tinta sobre un escaneo; transcribe esos trazos literalmente en inserciones editoriales entre corchetes para que lectores posteriores distingan la prosa del autor del comentario del anotador. Las hojas de erratas metidas en volúmenes encuadernados reciben el mismo tratamiento: escribe la corrección, cita la ubicación de la hoja con una referencia de marcador de página, y retira la hoja suelta de la copia en circulación.

Cierra con un ritual de fidelidad que atrapa omisiones silenciosas antes de que se propaguen a las citas. Compara los totales del contador para el borrador limpio frente a una expectativa aproximada desde la fuente — longitud del capítulo, recuento de anexos, filas de programa — e investiga los déficits página por página con marcadores activados, ya que un tramo en blanco entre la Página 9 y la Página 11 señala el anexo fotografiado que aportó píxeles en lugar de prosa. Lee en voz alta nombres propios, números de estatutos, nombres químicos y cifras monetarias contra la imagen, porque esos tokens llevan el peso del documento y toleran cero desviación. Archiva el texto de extracción, el borrador contado y una nota de procedencia de una línea que nombre el archivo de origen y la fecha de extracción; cuando una cifra disputada resurja durante la revisión, ese trío permite a cualquier colega reabrir la página exacta y reverificar el token exacto sin tener que re-litigar toda la canalización.

Preguntas frecuentes

¿Por qué PDF a texto no devuelve nada para mi escaneo?

Un escaneo es una foto de texto, no texto en sí: no hay caracteres que el extractor pueda leer. Necesitas software OCR que reconozca primero las letras; este sitio deliberadamente no finge hacerlo en el navegador.

¿Puedo simplemente convertir el escaneo a otro formato para obtener el texto?

No. Convertir un PDF a imágenes o guardarlo de nuevo reordena los mismos datos de imagen sin reconocer ninguna letra. Solo el OCR — o volver a escribir — convierte palabras fotografiadas en caracteres reales.

¿Cómo sé que la extracción realmente funcionó?

La herramienta informa de palabras, caracteres y páginas extraídas, y muestra el texto con marcadores de página opcionales. Revisa la salida en busca de orden alterado o secciones faltantes antes de pegarla en algún lugar importante.

¿La extracción funcionará en un PDF protegido con contraseña?

Solo después de que su propietario lo desbloquee. Los archivos protegidos con contraseña deben guardarse de nuevo sin la contraseña primero: ninguna herramienta honesta de navegador elude el cifrado de documentos.

¿Por qué importan los marcadores de página cuando pego texto en otro lugar?

La opción reextrae con separadores que dicen --- Página N --- entre páginas, así que los pasajes citados siguen siendo rastreables hasta su página de origen. Los huecos en la numeración también revelan qué páginas solo contenían imágenes y no devolvieron nada.

Pruébalo ahora — gratis, sin registro

Recuperar las palabras, sin el envoltorio. Los archivos quedan en tu dispositivo.

Abrir PDF a texto
Cómo extraer texto de una imagen escaneada | GARGLOO