Plugins de extracción de texto integrados

Precaución

Solo debe estar activo un extractor de texto por cada tipo MIME a la vez. Varios de los extractores siguientes se solapan intencionadamente en los tipos MIME que soportan (p. ej. seis extractores de PDF distintos, dos extractores de Excel, varios extractores de OCR de imágenes) para que pueda elegir la técnica que mejor se ajuste a su caso; pero si hay más de uno habilitado para el mismo tipo MIME, cuál usa realmente la aplicación para extraer un documento dado es impredecible. Deshabilite cualquier alternativa que no esté usando.

La propia pantalla Administration > Utilities > Plugins detecta esto: cuando más de un plugin de Text Extractor habilitado reclama el mismo tipo MIME, lo lista como un conflicto — compruébelo tras habilitar o deshabilitar cualquiera de estos.

Nombre	Tipos MIME	Descripción
AudioTextExtractor	audio/mpeg audio/x-ogg	Lee las etiquetas ID3/de audio embebidas en el propio fichero (título, artista, álbum, etc.) usando la librería entagged; no analiza el contenido de audio en sí.
AutoCadLinkListTextExtractor	image/vnd.dxf image/vnd.dwg	Extrae las entidades TEXT (etiquetas/anotaciones) embebidas en un dibujo de AutoCAD, usando la herramienta externa CADViewer LinkList (parámetro de configuración cadviewer.linklist).
AzureTextExtractor	image/tiff image/gif image/jpeg image/png	OCR mediante la API Read de Azure Cognitive Services (basado en la nube, requiere configuración de endpoint/clave de Azure). Una alternativa en la nube a TesseractTextExtractor para los mismos tipos de imagen.
EPUBTextExtractor	application/epub+zip	Extrae el texto plano de los capítulos de un libro electrónico EPUB usando epublib.
EmlTextExtractor	message/rfc822	Extrae las cabeceras de un correo EML (From, To, Cc, Date y Subject, una línea “Nombre: valor” cada una) seguidas del cuerpo, prefiriendo la parte de texto plano a la HTML. Los adjuntos se omiten, salvo los correos adjuntos.
ExifTextExtractor	image/jpeg	Extrae las etiquetas EXIF/metadatos (modelo de cámara, fecha, GPS, etc.) de un JPEG usando la librería metadata-extractor. No es OCR: no lee ningún texto visible en la propia imagen.
HTMLTextExtractor	text/html	Elimina el marcado HTML y devuelve el texto visible de la página, usando Jsoup.
ImageOpenAITextExtractor	image/tiff image/gif image/jpeg image/png	Envía la imagen al modelo de visión de OpenAI configurado y devuelve su respuesta como Markdown. Una alternativa basada en IA a TesseractTextExtractor/AzureTextExtractor para los mismos tipos de imagen.
JsonTextExtractor	application/json	Extrae cada valor de un documento JSON como una línea “ruta/al/campo: valor”, de modo que cada valor conserva su contexto. Los caracteres escapados (\uXXXX) se decodifican; un fichero mal formado se indexa como texto en bruto.
LibreOfficeTextExtractor	application/vnd.oasis.opendocument.text application/vnd.oasis.opendocument.text-web application/vnd.oasis.opendocument.text-template application/vnd.oasis.opendocument.presentation application/vnd.oasis.opendocument.presentation-template application/vnd.oasis.opendocument.spreadsheet application/vnd.oasis.opendocument.spreadsheet-template application/vnd.oasis.opendocument.graphics application/vnd.oasis.opendocument.graphics-template application/vnd.oasis.opendocument.database application/vnd.oasis.opendocument.chart application/vnd.oasis.opendocument.text-master application/vnd.sun.xml.writer application/vnd.sun.xml.calc application/vnd.sun.xml.impress application/vnd.sun.xml.draw application/vnd.sun.xml.writer.global application/vnd.sun.xml.calc.template application/vnd.sun.xml.impress.template application/vnd.sun.xml.draw.template application/vnd.sun.xml.writer.template	Lee el propio content.xml del documento directamente mediante parsing SAX — los ficheros OpenDocument y los antiguos de OpenOffice.org son archivos ZIP de XML — sin invocar LibreOffice en sí.
MarkdownTextExtractor	text/markdown	Devuelve el código fuente Markdown en bruto como texto plano (sin renderizar).
MsExcelTextExtractor	application/vnd.ms-excel application/msexcel application/excel	Extrae el texto de las celdas de un libro Excel antiguo (.xls) usando Apache POI (HSSF).
MsOffice2007TextExtractor	application/vnd.openxmlformats-officedocument.wordprocessingml.document application/vnd.openxmlformats-officedocument.wordprocessingml.template application/vnd.openxmlformats-officedocument.presentationml.presentation application/vnd.openxmlformats-officedocument.presentationml.template application/vnd.openxmlformats-officedocument.presentationml.slideshow application/vnd.openxmlformats-officedocument.spreadsheetml.sheet application/vnd.openxmlformats-officedocument.spreadsheetml.template application/vnd.ms-excel.sheet.macroEnabled.12 application/vnd.ms-excel.template.macroEnabled.12	Extrae texto de documentos modernos (2007+) de Word/PowerPoint/Excel, incluyendo libros con macros habilitadas, usando el soporte OOXML de Apache POI.
MsOfficeOcrTextExtractor	application/msword application/vnd.openxmlformats-officedocument.wordprocessingml.document application/vnd.openxmlformats-officedocument.wordprocessingml.template application/vnd.ms-powerpoint application/vnd.openxmlformats-officedocument.presentationml.presentation application/vnd.openxmlformats-officedocument.presentationml.template application/vnd.openxmlformats-officedocument.presentationml.slideshow application/vnd.ms-excel application/vnd.openxmlformats-officedocument.spreadsheetml.sheet application/vnd.openxmlformats-officedocument.spreadsheetml.template application/vnd.ms-excel.sheet.macroEnabled.12 application/vnd.ms-excel.template.macroEnabled.12	Convierte el documento a PDF y hace OCR con Tesseract sobre cada página renderizada, ignorando cualquier texto nativo — útil para documentos de Office escaneados o con muchas imágenes, a costa de la velocidad. Cubre los mismos tipos MIME de Word/PowerPoint/Excel (antiguos y 2007+) que MsWordTextExtractor, MsOffice2007TextExtractor, MsExcelTextExtractor y MsPowerPointTextExtractor combinados.
MsOutlookTextExtractor	application/vnd.ms-outlook	Extrae el asunto, cuerpo y nombres de adjuntos de un mensaje de Outlook (.msg) usando Apache POI (HSMF).
MsPowerPointTextExtractor	application/vnd.ms-powerpoint application/mspowerpoint application/powerpoint	Extrae el texto de las diapositivas de una presentación PowerPoint antigua (.ppt) usando Apache POI (HSLF).
MsVisioTextExtractor	application/vnd.ms-visio.drawing	Convierte el dibujo de Visio a PDF mediante LibreOffice, y delega en el extractor de texto de PDF que esté actualmente registrado y activo para extraer su texto.
MsWordTextExtractor	application/vnd.ms-word application/msword	Extrae texto de un documento Word antiguo (.doc) usando Apache POI (HWPF).
NativeMsExcelTextExtractor	application/vnd.ms-excel application/msexcel application/excel	Alternativa a MsExcelTextExtractor que usa la herramienta de línea de comandos externa catdoc xls2csv (parámetro de configuración system.catdoc.xls2csv) en lugar de Apache POI.
PdfLayerTextExtractor	application/pdf	Extrae solo la propia capa de texto del PDF (PDFBox); sin recurso a OCR, por lo que un PDF escaneado o solo con imágenes no devuelve texto. El más ligero y rápido de los extractores de PDF.
PdfNewTextExtractor	application/pdf	Mismo enfoque que PdfTextExtractor — capa de texto más recurso a OCR (Tesseract, sobre las imágenes embebidas del PDF) cuando no hay capa de texto o system.pdf.force.ocr está establecido — reescrito sobre la API de carga más reciente de PDFBox, con un paso de extracción de imágenes más simple, solo en Java.
PdfOcrTextExtractor	application/pdf	Siempre hace OCR con Tesseract sobre cada página renderizada, ignorando cualquier capa de texto existente.
PdfOpenAITextExtractor	application/pdf	Siempre envía cada página renderizada al modelo de visión de OpenAI configurado y devuelve Markdown, ignorando cualquier capa de texto existente.
PdfRenderTextExtractor	application/pdf	Capa de texto más recurso a OCR como PdfTextExtractor/PdfNewTextExtractor, pero renderiza cada página completa como una imagen a 300 DPI para el OCR en lugar de extraer solo los objetos de imagen embebidos — cubre más casos escaneados/de maquetación compleja, a costa de ser más lento.
PdfTextExtractor	application/pdf	Capa de texto (PDFBox) más recurso a OCR (Tesseract, sobre las imágenes embebidas del PDF) cuando no hay capa de texto o system.pdf.force.ocr está establecido; puede usar la herramienta externa pdfimages (system.pdfimages) en lugar de la extracción de imágenes basada en Java.
PlainTextExtractor	text/plain text/csv	Devuelve el contenido de texto en bruto, decodificado con la codificación indicada (o UTF-8).
PngTextExtractor	image/png image/apng image/mng	Lee los propios chunks de metadatos tEXt embebidos en el fichero (formato de chunk binario PNG/APNG/MNG). No es OCR: no lee ningún texto visible dibujado en la imagen.
RTFTextExtractor	application/rtf text/rtf	Extrae texto plano de un documento RTF usando RTFEditorKit de Java Swing.
RarTextExtractor	application/x-rar-compressed application/vnd.rar	Igual que ZipTextExtractor para archivos RAR, tanto RAR4 como RAR5 (incluidos los sólidos): la ruta de cada fichero y, debajo, el texto de los ficheros que tengan un extractor de texto activo, con los mismos límites. De las entradas cifradas solo se indexa el nombre; si los propios nombres están cifrados, la extracción falla con “Encrypted RAR archive”.
SourceCodeTextExtractor	text/x-java text/x-python text/css text/x-sql application/x-php application/javascript application/x-shellscript	Devuelve el código fuente en bruto como texto plano.
TesseractTextExtractor	image/tiff image/gif image/jpeg image/png	OCR local mediante Tesseract (parámetro de configuración system.ocr); opcionalmente reintenta con ángulos de rotación adicionales (system.ocr.rotate) para mejorar los resultados en escaneos rotados.
XMLTextExtractor	text/xml application/xml application/vnd.scribus	Extrae el contenido de texto y los valores de atributo de un documento XML mediante parsing SAX; también gestiona ficheros de proyecto Scribus, que se basan en XML.
ZipTextExtractor	application/zip	Extrae la ruta de cada fichero del archivo ZIP y, debajo, el texto de los ficheros que tengan un extractor de texto activo (PDF, Word, texto plano, etc.). De los archivos anidados, las entradas cifradas, las imágenes, el audio y el vídeo solo se indexa el nombre. Para protegerse de archivos desmesurados (zip bombs), se leen como máximo 1000 entradas, 20 MB descomprimidos por entrada y 200 MB en total, y el texto extraído se corta en 10 MB; más allá de esos límites solo se indexan los nombres.

Nota

Consulte Creating your own Text Extractor para conocer la interfaz y un ejemplo completo.