PDF in Text umwandeln

So holen Sie den Text aus einem PDF

Öffnen Sie das Dokument und starten Sie die Extraktion: Ein Fenster zeigt den gesamten Wortlaut, darüber die Zahl der Zeichen und der Wörter, und Sie kopieren ihn oder speichern ihn als .txt. Was eine gute Extraktion von einem rohen Kopieren unterscheidet, sind drei Kleinigkeiten. Absätze bleiben Absätze, statt an jedem Zeilenende zu zerbrechen. Am Zeilenende getrennte Wörter wachsen wieder zusammen – im Deutschen wiegt das schwerer als anderswo, weil Zusammensetzungen wie Grundstücksverkehrsgenehmigung jede Zeile sprengen und der Satz sie unablässig trennt. Und mehrspaltige Seiten werden Spalte für Spalte gelesen. Tabellen kommen mit Tabulatoren zwischen den Spalten heraus. Die fertige Datei ist reiner Text in UTF-8, also stehen Umlaute und ß richtig darin und nicht als Buchstabensalat, den ältere Extraktoren liefern. Gerechnet wird im Browser: kein Upload, kein Konto, und keine Seitenzahl, ab der ein Server abwinkt.

Nur einen Absatz mitnehmen

Für einen einzelnen Satz brauchen Sie die ganze Extraktion nicht – ziehen Sie im Editor einfach über den Text. Die Auswahl greift Wörter statt Rechtecke, und in der Zwischenablage landen Absätze: getrennte Wörter wieder zusammengesetzt, Spalten in Leserichtung, eine Tabelle mit Tabulatoren zwischen den Spalten, und ein Absatz, der über den Seitenumbruch hinweg weiterläuft, wieder in einem Stück. Auf dem Telefon öffnet ein langer Druck die Auswahl. Genau das fehlt beim Kopieren aus einem gewöhnlichen Betrachter: Aus einem zweispaltigen Amtsblatt, einer Betriebskostenabrechnung oder einem Gerichtsurteil kommt dort ein zerhackter Text, eine Zeile pro Umbruch, den Sie hinterher von Hand wieder zusammensetzen. Wer nach Normzeilen zu 55 Zeichen oder je tausend Zeichen abrechnet, liest die beiden Zahlen im Fenster der Extraktion ab. Und wer die Zellen einer Tabelle wirklich als Zellen weiterverarbeiten will, geht statt über den Wortlaut über PDF in Excel umwandeln.

Wenn der Scanner das PDF gemacht hat

Ein eingescannter Bescheid, ein per Fax eingegangenes Attest, eine abfotografierte Vertragsseite: In solchen Dateien steckt kein einziges Zeichen, sondern nur ein Bild. Die Extraktion liefert dann eine leere oder fast leere Datei – das ist keine Panne, sondern die Diagnose. Schicken Sie das Dokument zuerst durch die Texterkennung, die unter das Bild eine Textebene legt; danach gibt die Extraktion her, was erkannt wurde. Umgekehrt fördert sie auch Text zutage, den niemand sieht, und ist damit die schnellste Probe darauf, ob eine Stelle wirklich entfernt oder nur mit einem schwarzen Rechteck zugedeckt wurde – was PDF schwärzen von den meisten Werkzeugen unterscheidet. Soll die Gestaltung erhalten bleiben und nicht allein der Wortlaut, ist PDF in Word umwandeln der bessere Weg. Ein passwortgeschütztes Dokument öffnet sich erst mit dem Passwort, siehe PDF-Passwort entfernen, und eine beschädigte Datei bringt PDF reparieren wieder zum Laufen. Nichts davon verlässt Ihr Gerät; nach dem ersten Besuch arbeitet die Seite auch offline.