PDF in Text umwandeln: Text aus jedem PDF extrahieren

Zwei Arten von PDF, zwei verschiedene Probleme

Ein PDF kann Text auf zwei grundverschiedene Arten speichern. Wie der Text gespeichert ist, entscheidet fast alles darüber, welche Schwierigkeiten bei der Extraktion auftreten.

Dateien aus Word, Google Docs oder Designprogrammen enthalten die Buchstaben selbst. Solcher Text lässt sich sofort extrahieren, denn er steckt bereits in der Datei.

Bei einem Scan oder einem Foto von Text ist nur ein Bild des Textes enthalten. Die Buchstaben müssen erst erkannt werden, bevor sie aus dem Bild extrahiert werden können. Dieses Verfahren heißt OCR (optische Zeichenerkennung).

Scans und Bilder brauchen etwas länger, und die Ergebnisse sind sehr genau, aber nicht perfekt. Eine ehrliche Aussage ist hier besser als erfundene Zahlen.

Text aus einem gescannten PDF kopieren

Wenn Ihr PDF-Betrachter keinen Text markieren oder kopieren kann, ist es ein Scan. Laden Sie es hier hoch, und dieser Online-OCR-Reader gibt Ihnen den Text als etwas zurück, das Sie kopieren, durchsuchen und bearbeiten können.

Die Sprache festzulegen hilft oft. Die automatische Erkennung funktioniert auf den meisten Seiten gut, aber wenn Sie Englisch, Urdu, Arabisch, Chinesisch oder eine der anderen 39 Sprachen selbst wählen, werden die Ergebnisse bei gemischten oder nichtlateinischen Dokumenten spürbar besser.

• Scannen Sie mit 300 DPI oder höher; niedrigere Einstellungen verlieren Details, was die Genauigkeit der OCR beeinträchtigt.
• Richten Sie schiefe Seiten am besten vor dem Hochladen gerade aus. Schon wenige Grad Schräglage wirken sich negativ auf das Ergebnis aus.
• Flache Scans liefern bessere Ergebnisse als schräg aufgenommene Fotos.
• Gutes, gleichmäßiges Licht ist wichtiger, als Sie denken: Ein Schatten auf der Seite macht Buchstaben schwerer lesbar.

Möchten Sie schließlich, dass das PDF selbst durchsuchbar wird und genau so aussieht wie jetzt? Das ist ein anderer Vorgang: PDF-OCR fügt dem PDF eine versteckte Textebene hinzu, statt eine separate Textdatei auszugeben.

Wenn der Text durcheinander herauskommt

Fachartikel, Zeitschriften und Zeitungen sind in Spalten gesetzt. Ein Konverter, der quer über die Seite liest, vermischt die Spalten, und heraus kommt Unsinn.

Dieser PDF-in-Text-Konverter erkennt zweispaltige Seiten und liest jede Spalte von oben nach unten, bevor er zur nächsten übergeht.

• Zeilenumbrüche beibehalten beendet Zeilen dort, wo die Seite sie beendet. Spalten werden trotzdem nacheinander gelesen.
• Zu Absätzen zusammenfassen verbindet Zeilen, die nur durch die Seitenbreite umgebrochen wurden. Am besten zum Einfügen in ein Dokument oder eine E-Mail.
• Layout beibehalten lässt Wörter an ihrer Position auf der Seite, sodass Spalten und Tabellen in einer Festbreitenschrift bündig stehen.
• Einzelner Textblock setzt alles in eine Zeile, zum Einfügen in ein Formular oder eine Tabellenzelle.

Manche PDFs sind mit Schriften erstellt, deren Buchstaben keine echten Zeichen sind, sodass Kopieren daraus Unsinn ergibt. Solche Seiten werden erkannt und stattdessen per OCR gelesen. Sie können das für das ganze Dokument auch erzwingen mit Jede Seite erneut mit OCR lesen.

TXT, Word, Markdown, Webseite oder JSON

• Reiner Text (.txt) ist der Text und nur der Text. Das ist die gewöhnliche PDF-in-TXT-Umwandlung, die sich überall einfügen oder an ein anderes Programm weitergeben lässt.
• Word (.docx) öffnet sich in Word oder Google Docs, mit Tabellen als Tabellen und neuen Seiten wie im Original-PDF.
• Markdown (.md) erhält Überschriften und Tabellen mit Markdown-Syntax, zur einfachen Nutzung in Notiz-Apps, Wikis oder durch Entwickler.
• Webseite (.html) enthält strukturierte Tags, die Sie in jedem Browser ansehen können.
• JSON enthält eine Darstellung jeder Seite mit Zeilen, Positionen, OCR-Konfidenz, Tabellen und Links.

Brauchen Sie neben den Wörtern auch das genaue Seitendesign? Wandeln Sie PDF in Word um, um das Seitenlayout zu behalten. Brauchen Sie die Tabellen als Tabellenkalkulation? Probieren Sie unsere Umwandlung PDF in Excel.

Tabellen, Kopfzeilen und Seitenzahlen

Tabellen werden in Zeilen und Spalten umgewandelt statt in Textabsätze. Tabellen sind in der Variante „Reiner Text“ durch Tabulatoren getrennt und erscheinen in den Varianten Word, Markdown und HTML als Tabellen.

Kopfzeilen und Seitenzahlen entfernen entfernt die laufende Kopfzeile und die Seitenzahl, die oben oder unten auf jeder Seite des PDFs stehen. Der Text läuft dann als ein einziges Dokument weiter, ohne alle paar Absätze durch Seiten unterbrochen zu werden.

Über Zeilen getrennte Wörter zusammenfügen verbindet Wörter, die am Zeilenende mit einem Bindestrich getrennt wurden. Statt „Do-kument“ sehen Sie „Dokument“. Markieren, wo jede Seite beginnt setzt am Anfang jeder Seite eine kurze Seitenmarke, damit Sie dem Original-PDF leicht folgen können.

Gesperrte und vertrauliche PDFs

Bei einem passwortgeschützten PDF geben Sie das Passwort im Feld Dokumentpasswort ein. Es dient zum Öffnen der Datei und wird nie gespeichert.

Für ein PDF, das Ihr Gerät überhaupt nicht verlassen soll, öffnen Sie Auf diesem Gerät extrahieren. Ihr Browser liest den Text selbst, nichts wird hochgeladen, und es werden keine Credits verbraucht.

Dieser Modus liest nur die Textebene, eignet sich also für Verträge, Auszüge und Briefe, die am Computer erstellt wurden. Eine gescannte Seite hat keine Textebene zum Lesen, Scans brauchen deshalb den normalen Konverter, der OCR ausführt. Der Modus auf diesem Gerät kann bei langen Dokumenten außerdem langsamer sein, weil er Ihren eigenen Computer nutzt statt unseren.

Prüfen Sie das Ergebnis, bevor Sie es herunterladen

Der Text öffnet sich in einem Editor auf der Seite. Springen Sie zu einer beliebigen Seite, korrigieren Sie ein Wort, fügen Sie Zeilen zu Absätzen zusammen, ändern Sie die Groß- und Kleinschreibung, kopieren Sie ihn oder lassen Sie ihn sich vorlesen.

Wörter, bei denen sich die OCR unsicher war, sind hervorgehoben, Sie sehen also, was Sie prüfen sollten. Links im PDF werden mit dem Ergebnis aufgelistet. Nicht zufrieden? Lesen Sie dieselbe Datei erneut mit einem anderen Layout, einer anderen Sprache oder einem anderen Format, kostenlos, bis zu 5 Mal, solange sie noch auf unseren Servern liegt.

Den extrahierten Text übersetzen

Sie können das Ergebnis schon bei der Extraktion maschinell ins Englische, Urdu, Arabische, Spanische, Französische oder in sieben weitere Sprachen übersetzen lassen. Das ist praktisch, um ein fremdsprachiges Dokument schnell zu verstehen.

Es ist maschinelle Übersetzung, prüfen Sie also alles Wichtige. Bis zu 120.000 Zeichen werden auf einmal übersetzt, wählen Sie bei einem langen Bericht daher einen Seitenbereich und übersetzen Sie ihn in Teilen.

Ja. Ihre Dateien werden eine Stunde nach der Verarbeitung von unseren Servern gelöscht, und zwar automatisch.

Nach dieser Stunde bleibt nichts gespeichert. Kein Mensch liest etwas davon. Nichts wird zum Training von irgendetwas verwendet. Jeder Upload und jeder Download läuft über HTTPS, Ihre Datei ist also in beide Richtungen verschlüsselt.

Wenn Ihnen selbst das zu viel ist, nutzen Sie Auf diesem Gerät extrahieren. Das PDF bleibt in Ihrem Browser und erreicht unsere Server überhaupt nie.

Ihre letzten Ergebnisse werden in Ihrem eigenen Browser gespeichert, nie auf unseren Servern, und Sie können sie jederzeit löschen.