Alta calidad: convertidor de PDF a JSON

Convierte un PDF en JSON estructurado.

Extraer el texto de un PDF te da líneas, no un documento. WandPDF reconstruye la estructura y la escribe en JSON: cada título, párrafo, lista, tabla y nota al pie como su propio bloque, en orden de lectura.

Convertir a
Probado con 31 libros: 25 salieron limpios con WandPDF, 2 con Calibre (el motor de CloudConvert). Ver la prueba 

PDF a JSON, antes y después

La misma página. Dos extracciones muy distintas.

Un convertidor común vuelca el texto de la página línea por línea. WandPDF escribe la estructura.

Formatos

Convierte PDF a EPUB, Kindle, Markdown, texto, HTML o JSON.

.epub

PDF a EPUB

Un libro electrónico EPUB para Apple Books, Kobo, Google Play Books y cualquier app de lectura. Los capítulos se convierten en un índice que puedes tocar.

.azw3

PDF a Kindle (AZW3)

Un archivo AZW3 para dispositivos y apps Kindle. Cambias el tamaño de la letra y el texto se reacomoda, en lugar de hacer zoom sobre una página diminuta.

.md

PDF a Markdown

Texto limpio con títulos, listas y tablas para tus notas, Obsidian, una wiki o como entrada para ChatGPT, Claude y otros LLM.

.txt

PDF a TXT

Texto plano con párrafos completos, sin números de página ni líneas cortadas. Los PDF escaneados se leen con OCR.

.html

PDF a HTML

Una sola página web legible, con títulos, tablas y notas al pie de verdad, y las imágenes dentro. Se adapta al teléfono, no es una copia de la página impresa.

.json

PDF a JSON

El documento en bloques con tipo, en orden de lectura: títulos, párrafos, listas, celdas de tabla, notas al pie. Para RAG, búsqueda y scripts.

PróximoLo siguiente es Word: un documento editable, no una copia del diseño de la página.

Cómo funciona

Cómo convertir un PDF a JSON

  1. 1

    Suelta tu PDF

    Cualquier PDF: un artículo, un informe, un manual, un libro o un escaneo de páginas impresas.

  2. 2

    Elige JSON

    Un archivo .json: el título, el índice y una lista plana de bloques con tipo.

  3. 3

    Usa los bloques

    Divide por títulos para RAG, indexa párrafos para búsqueda o lee tablas celda por celda en un script.

Por dentro

Lo que esconde un PDF, y WandPDF corrige.

Probado con 31 libros con los que nunca se ajustó el analizador.

Limpio significa sin defectos graves como párrafos rotos, números de página sueltos, encabezados repetidos o texto perdido.

WandPDF25 / 31 limpios
Calibre 8.5 (usado por CloudConvert)2 / 31 limpios

Preguntas frecuentes

Preguntas frecuentes sobre PDF a JSON

¿Cómo es el JSON?

Un objeto con title, author, lang, pages (el número de páginas), toc y blocks. Cada bloque tiene un tipo (heading, paragraph, list, table, figure, math, code, footnote, quote o note), el capítulo al que pertenece y su contenido: text en la mayoría, items en una lista, filas de celdas en una tabla, LaTeX en una fórmula destacada. Además, cada bloque tiene los campos page y bbox, descritos más abajo.

¿Sirve para RAG y pipelines de LLM?

Para eso está hecho. Del texto se quitan los encabezados, los números de página impresos y la división de palabras, los párrafos salen enteros y en orden de lectura, y los títulos van marcados, así que puedes dividir por secciones reales en lugar de ventanas de tamaño fijo. Cada bloque conserva además su página del PDF, lo que permite que una respuesta cite su fuente.

¿Cada bloque trae su página y su recuadro delimitador?

Sí. Cada bloque tiene un campo page, la página del PDF donde empieza (contando desde 1), y un campo bbox, su recuadro delimitador en esa página en formato [x0, top, x1, bottom], en puntos (1/72 de pulgada) desde la esquina superior izquierda de la página, con la y creciendo hacia abajo, como en pdfplumber. Con ellos puedes citar la página de origen o resaltar el pasaje en un visor de PDF. El campo page es la posición de la página en el archivo y puede no coincidir con el número impreso en ella. Un bloque que continúa tras un salto de página o pasa a otra columna tiene además sus propios arrays pages y bboxes, con una entrada por cada parte.

¿Cómo se escriben las tablas?

Como filas de celdas, cada una con su texto y, cuando corresponde, la marca de encabezado y su colspan y rowspan. Las tablas dibujadas con líneas salen con más seguridad; algunas tablas sin líneas todavía salen como párrafos.

¿Las imágenes van en el JSON?

No. Un bloque figure lleva el texto alternativo y el pie de la imagen, no la imagen en sí. Elige EPUB, HTML o Markdown para conservar las imágenes.

¿Funciona con PDF escaneados?

Sí, en inglés, alemán, francés, español, italiano, portugués y ruso. Cuando las páginas son imágenes, WandPDF reconoce el texto de cada una (OCR) y arma el libro a partir de él, así que puedes cambiar el tamaño de la letra y buscar en el texto. Un libro escaneado largo tarda varios minutos, y la página muestra cuánto lleva.

¿Qué idiomas admite?

El inglés y los demás idiomas con alfabeto latino, además del chino y el japonés. El árabe, el hebreo y otras escrituras de derecha a izquierda todavía están en desarrollo.

¿Qué pasa con mi archivo?

Se guarda solo el tiempo necesario para convertirlo y que descargues el resultado, y después se elimina.

Tu próximo PDF merece datos limpios.

EPUB, Kindle, Markdown, texto, HTML y JSON a partir de una sola subida.

Convertir un PDF