Procesamiento de documentos

Extractor de texto: PDF, Word y Excel a texto limpio y Markdown

Extrae texto, Markdown, tablas y metadatos de archivos PDF, Word, Excel, PowerPoint, EPUB, HTML y CSV. Las páginas escaneadas se leen con OCR en 19 idiomas y los documentos se pueden dividir en fragmentos listos para RAG en flujos con LLM.

19 usuarios97.3% ejecuciones correctas (30 días)

Ejecutar en Apify — prueba gratis Usar vía API

Qué datos obtienes

`markdown`	Markdown limpio con títulos, listas y tablas
`fullText`	Documento completo en texto plano
`tables`	Cada tabla en Markdown y como array de filas
`metadata`	Metadatos del documento
`pages`	Texto y Markdown opcionales página a página
`ragChunks`	Fragmentos opcionales con ruta de encabezados
`ocrText`	Texto de páginas escaneadas leído con OCR

Cómo funciona

Abre el scraper en Apify y regístrate gratis.
Introduce rutas, fechas y opciones en el formulario.
Pulsa Start y descarga los resultados en JSON, CSV o Excel, o usa la API.

Precio

$0.15 por 1.000 filas

Pago por evento: se cobra por documento procesado y por página analizada, y por página OCR si activas el OCR de páginas escaneadas.

Apify regala 5 $ de crédito cada mes, suficiente para probar este scraper gratis.

Ejemplos de tareas

Entradas listas para usar. Cópialas en el formulario del scraper o envíalas por la API.

Convertir PDF a Markdown con tablas

Salida en Markdown con todas las tablas extraídas.

{
  "urls": [
    "https://raw.githubusercontent.com/lergassy/apify-actor-assets/main/document-text-extractor/sample-report.pdf"
  ],
  "includeMarkdown": true,
  "extractTables": true
}

Ejecutar esta tarea →

Dividir archivos PDF y Word en fragmentos para RAG

Fragmentos de 1.200 caracteres con 120 de solapamiento.

{
  "urls": [
    "https://raw.githubusercontent.com/lergassy/apify-actor-assets/main/document-text-extractor/sample-report.pdf",
    "https://raw.githubusercontent.com/lergassy/apify-actor-assets/main/document-text-extractor/sample-contract.docx"
  ],
  "chunkForRag": true,
  "chunkSize": 1200,
  "chunkOverlap": 120
}

Ejecutar esta tarea →

OCR de páginas escaneadas de un PDF

Lee hasta 20 páginas sin capa de texto.

{
  "urls": [
    "https://raw.githubusercontent.com/lergassy/apify-actor-assets/main/document-text-extractor/sample-report.pdf"
  ],
  "ocrScannedPages": true,
  "ocrLanguage": "eng",
  "ocrMaxPagesPerDocument": 20
}

Ejecutar esta tarea →

Extraer texto de las 5 primeras páginas de un PDF

Texto página a página de la 1 a la 5.

{
  "urls": [
    "https://raw.githubusercontent.com/lergassy/apify-actor-assets/main/document-text-extractor/sample-report.pdf"
  ],
  "pageRange": "1-5",
  "includePages": true
}

Ejecutar esta tarea →

Casos de uso

Desarrolladores de IA y RAG: convierten PDFs y archivos de Office en fragmentos Markdown para embeddings.
Equipos de operaciones: sacan texto y tablas de informes, facturas y contratos.
Investigadores: obtienen texto buscable de artículos y libros escaneados.
Creadores de automatizaciones: añaden lectura de documentos a flujos de Make, n8n o Zapier.

Preguntas frecuentes

¿Qué tipos de archivo admite?

PDF, DOCX, XLSX, PPTX, EPUB, HTML, CSV y TXT, por URL, subida o base64.

¿Puede leer PDFs escaneados?

Sí. Activa el OCR de páginas escaneadas y elige entre 19 idiomas.

¿Funciona con PDFs protegidos con contraseña?

Sí, si indicas la contraseña.

¿Es legal extraer texto de documentos?

La herramienta solo procesa los archivos que le das. Asegúrate de tener derecho a usarlos y de que el tratamiento de los datos personales que contengan cumple la ley aplicable.

¿Cómo llevo los datos a mi aplicación?

Con la API de Apify, los clientes de Python o JavaScript, o las integraciones con Make, n8n, Zapier y Google Sheets.

Más scrapers

Scraper de ThreadsDatos de redes sociales Google Flights ScraperDatos de viaje Scraper de ShopeeDatos de e-commerce Scraper de perfiles de LinkedInGeneración de leads Scraper de ZillowDatos inmobiliarios Scraper de Mercado LibreDatos de e-commerce

Convierte cualquier documento en texto limpio

Ejecutar en Apify — prueba gratis