Procesamiento de documentos

Cómo extraer texto y coordenadas de un PDF a JSON

BT
Equipo editorial de BrivTools
2 min de lectura
Fragmentos de PDF con coordenadas y su representación JSON

Qué puedes extraer de un PDF

Un extractor puede conservar el texto, la página y las coordenadas de cada fragmento. Esos datos permiten reconstruir filas o regiones cuando una salida de texto plano pierde el contexto.

Entiende las instrucciones de dibujo

Un PDF indica dónde pintar glifos. Puede dibujar las columnas en un orden diferente al de lectura, así que ordenar solo por aparición en el archivo puede mezclar el contenido.

Revisa la codificación del texto

La relación entre un glifo y Unicode depende de la fuente y sus mapas. Si el texto queda ilegible o la página es una imagen, prueba OCR y verifica los resultados.

Define el sistema de coordenadas

Guarda página, texto, x, y, ancho y alto. Documenta la unidad, el origen y la rotación antes de comparar posiciones con una vista previa o un motor distinto.

Agrupa los fragmentos en filas y columnas

Agrupa líneas por una tolerancia vertical, ordena cada grupo por x y usa intervalos horizontales para reconstruir columnas. Verifica celdas combinadas y texto que ocupa varias líneas.

Elige JSON, Markdown o texto según el uso

JSON sirve si necesitas coordenadas y trazabilidad. Markdown facilita editar texto estructurado y el texto plano es suficiente para búsquedas sencillas.

Preguntas frecuentes

¿El extractor conserva la estructura de todas las tablas?+
Respuesta breve:La posición ayuda a inferirla. Revisa el resultado cuando el documento tenga varias columnas, tablas complejas o páginas escaneadas.
BrivTools

Convertir PDF a JSON

Convierte el texto seleccionable de un PDF en JSON por páginas, con coordenadas. Revisa los datos y descarga el archivo.

Acceso gratuito
Desde el navegador
Sin registro
Abrir herramientaConsulta los formatos y límites de cada herramienta.