PDF

Guía de Word a PDF: extraer texto DOCX y comprobar el resultado

·

La herramienta Word a PDF de ToolMellow lee el texto de un DOCX en tu navegador, permite revisarlo o editarlo y crea un PDF en páginas A4. Elige un archivo, pulsa Leer documento, comprueba Texto del documento y luego crea y descarga el PDF. También puedes pegar tu propio texto sin elegir ningún archivo.

Este flujo sirve para obtener una copia visual sencilla del texto del documento. Omite el diseño, las imágenes y los estilos de Word; el PDF resultante contiene imágenes del texto renderizado. Si necesitas texto buscable, estructura para lectores de pantalla o formato fiel al original, usa la exportación PDF de un procesador de textos adecuado y comprueba su resultado.

Word a PDF

Elige la conversión adecuada para tu documento

Convertir Word a PDF puede significar conservar una página diseñada, guardar texto editable como material visual o producir un documento accesible. Esta herramienta convierte texto en imágenes de páginas. Decide qué propiedades necesitas antes de eliminar contenido que pueda resultar importante para tus lectores.

Una carta formada por párrafos normales es más fácil de revisar después de la extracción que una factura cuyo significado depende de las columnas, un informe con notas al pie o un formulario con campos y firmas. Conserva el DOCX original para comparar el resultado y elegir otra vía de exportación cuando sea necesario.

Elige la conversión adecuada para tu documento
NecesidadQué ofrece esta herramientaDecisión
Copia visual sencilla de texto revisadoTexto extraído editable y después páginas A4 formadas por imágenesUsa la herramienta y revisa el PDF descargado.
Tablas, imágenes y diseño de página originalesExtracción de texto sin esas características de diseñoExporta desde un procesador de textos y compara las páginas.
Búsqueda, selección o estructura para tecnología de asistenciaSin capa de texto PDF ni etiquetas estructuralesUsa una exportación compatible con esas propiedades y compruébalas.
Imágenes de páginas escaneadas dentro de un DOCXSin OCR ni extracción de imágenesUsa primero un flujo OCR adecuado y después revisa el texto.

Microsoft: guardar o convertir documentos Office a PDFLibreOffice: exportación PDF y opciones de estructura del documentoW3C: texto real, OCR y accesibilidad de PDFs formados por imágenes

Lee, edita, crea, descarga y revisa

Elige un archivo DOCX y pulsa Leer documento. Seleccionar el archivo no lo extrae por sí solo. Revisa el Texto del documento resultante, sobre todo el orden de las celdas, las notas ausentes y cualquier texto cuyo significado dependiera del formato. Editar sustituye el texto utilizado para el siguiente PDF; no modifica el DOCX original.

Pulsa Crear PDF cuando el texto esté listo. Descargar PDF aparece después de una creación correcta. El espacio de trabajo no muestra una vista previa del PDF generado: descárgalo y ábrelo en un visor PDF para revisar todas las páginas. Cambiar el texto invalida la descarga generada anteriormente y borra un error anterior, así que crea un PDF nuevo después de editar.

  • Elegir otro archivo borra el texto actual, el resultado generado y el error; guarda cualquier borrador que necesites antes de cambiar.
  • Leer documento vuelve a leer el archivo elegido y puede sustituir tus cambios. Crear PDF usa el texto actual del editor.
  • Los controles se desactivan durante el procesamiento y Cancelar está disponible para el trabajo en curso. Un editor vacío o con solo espacios en blanco no permite crear el PDF.

Qué contenido del DOCX se convierte en texto

Un DOCX es un paquete que contiene partes XML y otros recursos. Este lector extrae los párrafos compatibles de word/document.xml, incluidos los de las celdas de tablas, en el orden del documento XML. Admite los espacios de nombres Transitional y Strict de WordprocessingML compatibles, pero no reconstruye el documento tal como Word lo distribuye.

Se recopila el texto de los segmentos compatibles; las tabulaciones se convierten en caracteres de tabulación y los elementos compatibles de salto de línea, retorno de carro y salto de página se convierten en saltos de línea. Los párrafos se unen con saltos de línea y se recorta el espacio en blanco de los extremos del texto final. Una tabla se transforma en una secuencia de párrafos de celdas, no en una cuadrícula con relaciones de filas y columnas.

Microsoft: estructura de un documento WordprocessingMLEcma: representación y empaquetado de Office Open XMLMDN: analizar XML y detectar errores del analizador

No se leen encabezados, pies, comentarios, notas al pie ni notas finales almacenados en partes separadas. Se omiten imágenes, dibujos y cuadros de texto, además de las eliminaciones registradas por el control de cambios. El texto insertado compatible puede conservarse. El resultado no es una revisión completa de las modificaciones ni sustituye aceptar o rechazar cambios en la aplicación de origen.

El texto visible de los hipervínculos en segmentos compatibles puede conservarse al extraer, pero no su destino ni la relación clicable. Los números y viñetas automáticos no se reconstruyen a partir de las definiciones de numeración. Un número o una viñeta ya almacenados como texto literal pueden conservarse. Revisa referencias como «ver nota 3» y las instrucciones de listas antes de distribuir el resultado.

Microsoft: estructura de un documento WordprocessingMLMicrosoft: texto de hipervínculos y destinos de relaciones

Comprueba todos los límites de entrada y salida

Un DOCX comprimido pequeño puede contener un XML grande o muchas entradas del paquete. Por eso el tamaño del archivo es solo uno de varios límites independientes. El lector exige un archivo no vacío cuyo nombre termine en .docx, sin distinguir mayúsculas y minúsculas, y una parte de documento compatible que pueda leerse. No se admiten los nombres antiguos .doc ni los habilitados para macros .docm; renombrarlos no convierte su contenido.

El lector comprueba la firma del paquete, el tamaño del XML seleccionado, la estructura del documento y los errores del analizador, y rechaza declaraciones DTD o de entidades. No ejecuta partes de macros ni certifica que cada parte del paquete sea segura o cumpla todas las reglas de Office Open XML. Esta herramienta no recupera documentos cifrados o dañados.

Comprueba todos los límites de entrada y salida
ElementoLímiteQué tener en cuenta
Archivo elegido10000000 bytes, o 10 MBTamaño del archivo comprimido; el XML también tiene un límite propio.
XML del documento10000000 bytesSe comprueban tanto el tamaño sin comprimir declarado como los bytes realmente extraídos.
Entradas ZIP2500Las entradas examinadas cuentan aunque no se extraiga su contenido.
Párrafos extraídos10000El presupuesto de texto puede alcanzarse antes.
Presupuesto de texto de extracción100000 unidades de código UTF-16Cada párrafo compatible cuenta su longitud de texto más una unidad antes del recorte final.
Editor y entrada del PDF100000 unidades de código UTF-16Es un límite de longitud de cadena, no de palabras ni caracteres visibles.
PDF generado50 páginas A4El ajuste de líneas y los saltos determinan las páginas, no el número original de páginas de Word.

fflate: filtrado ZIP y procesamiento síncronoMDN: analizar XML y detectar errores del analizadorMDN: longitud de textarea en unidades de código UTF-16Ecma: representación y empaquetado de Office Open XML

Por qué 100000 caracteres pueden ser demasiados

Los límites usan unidades de código UTF-16. Muchos caracteres habituales usan una unidad; un carácter suplementario como 😀 usa dos. Un carácter visible también puede componerse de varios puntos de código. Por ello, el número de palabras y símbolos visibles no permite predecir si un documento cabe.

Durante la extracción, cada párrafo aceptado añade su longitud de texto más una unidad al presupuesto, antes de unir el texto y recortar sus extremos. Un solo párrafo con 99999 letras ASCII cabe en ese presupuesto; uno con 100000 no, porque la unidad adicional del párrafo superaría el límite. Los párrafos vacíos y los espacios de los extremos también cuentan antes de recortar. El máximo independiente de 100000 unidades del editor no elimina estas reglas de extracción.

MDN: longitud de textarea en unidades de código UTF-16MDN: segmentar texto por límites de grafemas

Cómo el texto se convierte en nuevas páginas A4

El renderizador dibuja texto oscuro sobre un lienzo blanco de 1240 por 1754 píxeles, con una fuente sans serif del navegador de 24 píxeles, márgenes e interlineado fijos. Cada imagen del lienzo llena una página PDF A4 de aproximadamente 595,28 por 841,89 puntos. No hay controles para el tamaño del papel, la fuente, los márgenes ni los saltos de página originales de Word.

Los retornos de carro se normalizan a saltos de línea, las tabulaciones se expanden a cuatro espacios y el texto medido se ajusta al ancho disponible. Los segmentos se normalizan a NFC y se dividen por límites de grafemas cuando hace falta. Estos pasos crean imágenes de páginas legibles; no conservan el espaciado exacto, la representación Unicode ni el diseño de página de origen. Un texto largo o muchas líneas vacías pueden alcanzar el límite de 50 páginas aunque el texto respete su límite de longitud.

MDN: dibujar texto en un lienzoMDN: exportar un lienzo como Blob de imagenpdf-lib: insertar imágenes PNG en un PDFMDN: normalización Unicode y NFCMDN: segmentar texto por límites de grafemas

Qué implica un PDF formado por imágenes

La salida contiene imágenes de páginas en lugar de objetos de texto PDF. Por tanto, esta herramienta no proporciona una capa de texto seleccionable o buscable, hipervínculos clicables, estructura de títulos o tablas ni etiquetas para lectores de pantalla. Un documento puede verse legible y carecer del texto y la estructura que necesitan otros lectores o sistemas.

Algunos visores o herramientas OCR independientes pueden reconocer texto en imágenes, pero eso es procesamiento adicional fuera de este conversor. El OCR por sí solo no establece etiquetas correctas, orden de lectura ni accesibilidad. Si necesitas accesibilidad, búsqueda o reutilización fiable del texto, empieza con una exportación adecuada desde la aplicación de origen y comprueba el PDF resultante.

W3C: texto real, OCR y accesibilidad de PDFs formados por imágenespdf-lib: insertar imágenes PNG en un PDFMicrosoft: guardar o convertir documentos Office a PDFLibreOffice: exportación PDF y opciones de estructura del documento

Revisa las fuentes y las direcciones de escritura mezcladas

El navegador se encarga de dar forma al texto y elegir fuentes de sustitución; no reproduce las fuentes del documento original. Revisa letras acentuadas, escrituras con caracteres unidos, emoji, símbolos matemáticos y caracteres poco comunes en las páginas descargadas. Un ejemplo correcto en un navegador no garantiza todas las fuentes o escrituras en otro dispositivo.

La dirección del párrafo usa una heurística limitada basada en la primera letra y un rango Unicode hebreo/árabe. No equivale al modelo completo de formato de párrafo de Word. Conviene revisar visualmente árabe o urdu mezclados con nombres de productos latinos, números, URLs y puntuación, así como tablas cuyo significado dependiera de la alineación.

MDN: dibujar texto en un lienzoMDN: segmentar texto por límites de grafemasMDN: normalización Unicode y NFC

Qué significa el procesamiento local

La lectura DOCX, la edición y la creación del PDF ocurren en la pestaña del navegador. La conversión no incluye un paso de subida del documento y el sitio no guarda tu documento ni tus cambios como borrador. Abrir la web sí carga páginas y recursos, y pueden ejecutarse análisis habituales del sitio. El procesamiento local no promete que el navegador no haga peticiones de red ni que una primera visita funcione sin conexión.

Un archivo elegido llamado report.docx solicita una descarga llamada report.pdf; el texto manual sin archivo solicita document.pdf. El navegador decide dónde se guarda y puede renombrar duplicados. Editar, cancelar o cerrar la pestaña no borra el documento original ni los PDFs ya descargados.

Recupérate de un error conservando el texto que necesitas

El mensaje de documento dañado, cifrado o demasiado grande abarca varios fallos de lectura; no identifica una sola causa. Abre el original en un procesador de textos de confianza, comprueba que sea un DOCX utilizable y reduce o simplifica una copia si supera algún límite. Si el texto extraído está vacío, comprueba si el documento solo contiene imágenes, cuadros de texto o partes no compatibles.

Si falla la creación del PDF, comprueba la longitud del texto y las páginas previsibles y prueba un borrador más pequeño. Guarda los cambios por separado antes de recargar, porque este espacio no los guarda automáticamente. Cancelar invalida un resultado pendiente y recupera los controles, pero el procesamiento síncrono ZIP/XML no siempre puede interrumpirse de inmediato mientras ocupa el hilo principal del navegador.

Recupérate de un error conservando el texto que necesitas
ObservaciónQué comprobarSiguiente acción
Falla Leer documentoExtensión, límites del paquete/XML, cifrado o estructura dañadaComprueba una copia en la aplicación de origen; renombrar no es convertir.
No se encontró textoEl contenido podría ser imágenes, cuadros de texto o partes separadasUsa una exportación o un flujo OCR adecuados y revisa el texto.
Crear PDF está desactivadoNo hay texto salvo espacios en blanco, o hay un trabajo en cursoLee un documento o introduce texto y espera o cancela el trabajo actual.
La creación falla pese a un archivo cortoNúmero de páginas renderizadas o recursos del navegadorReduce el texto y las líneas vacías excesivas; guarda los cambios antes de recargar.
Falta contenido descargado o cambia su ordenContenido no compatible y relaciones de diseño perdidasCompara con el original y usa la exportación de un procesador de textos si hace falta.

fflate: filtrado ZIP y procesamiento síncronoMDN: analizar XML y detectar errores del analizador

Revisa el PDF descargado antes de compartirlo

Revisa la primera y última página y después todas las intermedias. Busca frases ausentes, etiquetas y valores de tablas separados, caracteres recortados o sustituidos, espacios vacíos inesperados y cambios de dirección. Compara totales importantes, nombres e instrucciones con el original en lugar de asumir que una descarga correcta demuestra fidelidad.

Conserva el resultado de la conversión de texto solo cuando satisfaga las necesidades del lector. Si importan el diseño original o la estructura del documento, Microsoft Word y LibreOffice tienen sus propias opciones de exportación PDF. Esas opciones también requieren ajustes deliberados y comprobaciones; cambiar de aplicación no certifica por sí solo accesibilidad ni apariencia exacta.

  • Confirma que todo el texto principal necesario sobrevivió a la extracción, sobre todo listas, notas y relaciones entre celdas.
  • Revisa el PDF guardado en el visor que usará tu público, incluidos el texto multilingüe y los finales de página.
  • Elige una exportación con capa de texto real y estructura adecuada si necesitas búsqueda, copia o tecnología de asistencia.

Microsoft: guardar o convertir documentos Office a PDFLibreOffice: exportación PDF y opciones de estructura del documentoW3C: texto real, OCR y accesibilidad de PDFs formados por imágenes

Preguntas frecuentes

¿Cómo convierto texto DOCX a PDF en mi navegador?

Elige un DOCX, pulsa Leer documento, revisa o edita el texto extraído y después pulsa Crear PDF y Descargar PDF. Abre el archivo guardado para revisar sus páginas; el espacio de trabajo no tiene vista previa del PDF generado.

¿Puedo crear un PDF sin elegir un archivo?

Sí. Introduce texto que no sea solo espacio en blanco en Texto del documento y pulsa Crear PDF. Sin un nombre de archivo elegido, la descarga solicita document.pdf. Se aplican los mismos límites de longitud de texto y salida de 50 páginas.

¿Conserva el formato y las imágenes de Word?

No. Extrae el texto compatible y lo redistribuye con una fuente del navegador. Omite imágenes, estilos originales, cuadrículas de tablas y paginación de Word. Usa la exportación de un procesador de textos cuando importen esas propiedades.

¿Por qué no puedo seleccionar o buscar el texto del PDF?

La herramienta inserta imágenes de páginas renderizadas en el PDF sin capa de texto. El OCR del visor, si existe, es procesamiento separado. La salida tampoco tiene etiquetas estructurales para lectores de pantalla.

¿Se conservan los hipervínculos?

El texto visible de enlaces en segmentos compatibles del documento puede extraerse. No se conservan los destinos ni los enlaces clicables, y el PDF generado contiene imágenes en lugar de objetos de enlace interactivos.

¿Puede leer DOC, DOCM o documentos protegidos por contraseña?

No. La entrada compatible es un DOCX legible y no vacío con un nombre acabado en .docx, sin distinguir mayúsculas y minúsculas. Cambiar la extensión no convierte el paquete. El lector no ejecuta macros ni certifica la seguridad de su contenido.

¿Por qué se rechaza un DOCX menor de 10 MB?

Hay límites independientes para el tamaño del XML, las entradas ZIP, los párrafos extraídos y el presupuesto de texto UTF-16. La estructura no compatible o dañada y el cifrado también pueden causar fallos de lectura. El mensaje genérico no identifica qué condición se produjo.

¿El límite equivale a 100000 caracteres visibles?

No. Cuenta unidades de código UTF-16, y la extracción añade una unidad por párrafo aceptado antes de recortar los extremos. Algunos caracteres visibles usan varias unidades, y un solo párrafo de 100000 unidades ya supera el presupuesto de extracción.

¿Se conservan listas, notas al pie y cambios registrados?

Se omiten las partes de notas separadas y las eliminaciones registradas. El texto insertado compatible puede conservarse. No se generan las etiquetas automáticas de listas a partir de reglas de numeración, aunque pueden sobrevivir las almacenadas como texto literal. Revisa cuidadosamente el significado extraído.

¿Se sube el documento durante la conversión?

El código de lectura y creación del PDF se ejecuta en la pestaña del navegador sin una acción de subida del documento. El sitio sigue haciendo peticiones habituales de páginas, recursos y análisis; no garantiza ausencia de red ni funcionamiento sin conexión desde la primera visita.

¿Cancelar detiene todo el procesamiento de inmediato?

Cancelar invalida el resultado actual y vuelve a permitir editar cuando el navegador puede procesar la acción. El trabajo síncrono ZIP/XML puede ocupar el hilo principal, así que no se garantiza una interrupción inmediata.

¿Cuándo conviene exportar desde Word o LibreOffice?

Usa una aplicación de edición cuando necesites el diseño original, imágenes, texto buscable o estructura de accesibilidad adecuada. Selecciona las opciones PDF pertinentes y comprueba el aspecto, el texto y el orden de lectura de la salida real.

Fuentes y lecturas adicionales

Ponlo en práctica.

Guías relacionadas