Text aus PDF extrahieren

So funktioniert es

Das Tool liest die Textebene des PDFs und baut sie Seite für Seite wieder auf. Es funktioniert mit „echten“ PDFs (erstellt aus Word, Google Docs, digitalen Exporten). Ist das PDF ein Scan oder ein Foto, ist der Text in Wirklichkeit ein Bild und lässt sich so nicht extrahieren: Dann brauchst du OCR (optische Zeichenerkennung).

Wofür es gut ist

Praktisch, um schnell den Inhalt eines Dokuments zu kopieren, Absätze wiederzuverwenden, nach Wörtern zu suchen oder aus einem PDF eine einfache bearbeitbare Textdatei zu machen. Hast du viele PDFs und suchst, in welchem ein bestimmtes Wort steht, gibt es Ein Wort in vielen PDFs suchen. Brauchst du dagegen ein bearbeitbares Word-Dokument, in dem Absätze, Überschriften und Listen schon an ihrem Platz sind, gibt es PDF in Word.

Warum Kopieren und Einfügen aus einem PDF schlecht klappt

Ein PDF enthält keine Absätze, sondern Textstücke mit Koordinaten: Das Programm, das es geschrieben hat, sagte „setz dieses Wort hierhin“. Es gibt keine Information darüber, wo eine Zeile endet und die nächste beginnt, und der PDF-Reader muss das aus den Positionen ableiten.

Deshalb bekommst du beim Einfügen zerrissene Zeilen, vermischte Spalten und Wörter, die ein Trennstrich am Zeilenende zerteilt. Bei zweispaltigem Text kann die Lesereihenfolge durcheinandergeraten, weil die zwei Blöcke auf der Seite nebeneinanderstehen und in der Datei nur Stücke mit x- und y-Werten sind.

Ist das PDF ein Scan, gibt es keinen Text

Ein gescanntes Dokument ist ein Foto der Seite: Darunter liegt kein Text, und deshalb findet die Suche im PDF-Reader nichts. Das Erkennungszeichen ist einfach: Wenn beim Versuch, ein Wort zu markieren, ein ganzes Rechteck markiert wird, ist es ein Bild.

In diesem Fall brauchst du optische Zeichenerkennung, und das ist eine andere Aufgabe: Dabei werden die Pixel analysiert, und die Software versucht, die Buchstaben zu erraten. Viele neuere Scans haben unter dem Bild schon eine versteckte Textebene, und dann lässt sich der Text ganz normal extrahieren.

Was mit dem extrahierten Text noch zu tun ist

Der Text, der herauskommt, muss fast immer wieder zusammengeflickt werden: die Zeilen eines Absatzes verbinden, Silbentrennungen entfernen, wiederholte Kopfzeilen und Seitenzahlen wegwerfen. Das bei zwanzig Seiten von Hand zu machen, kostet einen Nachmittag, und kaum jemand hält das durch.

Enthielt das PDF Tabellen, gehen sie im extrahierten Text verloren: Die Spalten werden zu einem Wortstrom, und die Beziehung zwischen den Zellen verschwindet. Dafür braucht es ein Tool, das auf die Koordinaten schaut statt nur auf den Text, sonst ist das Ergebnis unlesbar.

Siehe auch

Um kopierten Text aufzuräumen, gibt es Kopierten PDF-Text reparieren, und für Tabellen Tabellen aus PDF extrahieren. Ist die Datei ein Scan, führt der Weg über Text aus Bild (OCR).