PDF in Text umwandeln

So extrahieren Sie Text aus einer PDF-Datei

1. Legen Sie eine PDF-Datei auf der Ablagefläche ab oder klicken Sie darauf, um eine auszuwählen. Das Tool zeigt Name, Seitenzahl und Größe an.
2. Geben Sie bei Bedarf unter Seiten (optional) die zu lesenden Seiten ein, z. B. 1-3, 5 oder 8-. Bleibt das Feld leer, wird jede Seite extrahiert.
3. Wählen Sie die Lesereihenfolge: Wie in der Datei gespeichert (am besten bei Spalten) oder Von oben nach unten, von links nach rechts.
4. Aktivieren oder deaktivieren Sie Seitentrenner einfügen und Zeilenumbrüche beibehalten.
5. Klicken Sie auf Text extrahieren. Bei langen Dokumenten sehen Sie den Fortschritt Seite für Seite; Stopp bricht vorzeitig ab und behält die bereits gelesenen Seiten.
6. Prüfen Sie die Angaben zu Seiten, Wörtern, Zeichen und Zeilen und klicken Sie dann auf Kopieren oder .txt herunterladen.

Die beiden Kontrollkästchen lassen sich auch nach der Extraktion noch ändern: Der Text wird sofort neu formatiert, ohne die Datei erneut zu lesen.

Textebene oder eingescannte Seite?

Eine PDF-Datei, die aus einer Textverarbeitung, einer Tabellenkalkulation oder über „Als PDF speichern“ entstanden ist, enthält eine Textebene: die echten Zeichen mit Schrift und Position. Dieses Tool liest diese Ebene mit PDF.js aus. Das Ergebnis ist daher exakt, Umlaute, Ligaturen und Sonderzeichen bleiben erhalten.

Eine eingescannte PDF-Datei ist etwas anderes: Jede Seite ist nur ein Foto von Papier, es gibt keinen Text zum Auslesen. Hat eine ausgewählte Seite keinen Text, enthält aber ein Bild, weist das Tool darauf hin und nennt die betroffenen Seiten. Eine Texterkennung (OCR) ist nicht enthalten: Den Text eingescannter Seiten können Sie hier nicht extrahieren. Seiten ohne Text und ohne Bilder werden als leer gemeldet.

Lesereihenfolge und Layout

Eine PDF-Datei speichert Textstücke mit Koordinaten, keine Absätze. Das Tool setzt Zeilen aus Stücken mit gemeinsamer Grundlinie zusammen, fügt bei sichtbaren Lücken ein Leerzeichen ein und lässt bei großem senkrechtem Abstand eine Leerzeile, die meist Absätze trennt.

• Wie in der Datei gespeichert (am besten bei Spalten) folgt der Reihenfolge, in der die erzeugende Software den Text geschrieben hat. Bei den meisten Dokumenten, auch bei zweispaltigen Artikeln, ist das die natürliche Lesereihenfolge.
• Von oben nach unten, von links nach rechts sortiert nach der Position auf der Seite. Probieren Sie diese Option, wenn die erste durcheinandergewürfelten Text liefert; beachten Sie aber, dass sie quer über Spalten hinweg liest.

Mit Seitentrenner einfügen beginnt jede Seite mit einer Zeile wie --- Seite 3 --- – praktisch, um eine Stelle zu zitieren oder zu überprüfen.

Zeilen zu Absätzen verbinden

Ist Zeilenumbrüche beibehalten aktiviert, bleibt jede Zeile der PDF-Datei eine eigene Textzeile. Deaktivieren Sie die Option, um die Zeilen eines Absatzes zu einer zusammenzufassen – besser zum Einfügen in ein Dokument oder in ein Übersetzungsprogramm. Ein am Zeilenende getrenntes Wort wie „Bei-“ + „spiel“ wird wieder zusammengefügt, wenn die nächste Zeile mit einem Kleinbuchstaben beginnt. Die Grenze: Ein Wort, das zufällig an seinem eigenen Bindestrich umbricht, verliert diesen Bindestrich – aus „Know-“ + „how“ wird „Knowhow“. Lesen Sie wichtige Passagen daher Korrektur.

Datenschutz

Die PDF-Datei wird von Ihrem Browser auf Ihrem Gerät gelesen. Weder die Datei noch der extrahierte Text werden an einen Server gesendet.