PDF zu Text

Wenn der Text unleserlich herauskommt

Manchmal liefert die Textextraktion zwar Text, aber er ist falsch: zufällige Symbole, Kästchen oder im Alphabet verschobene Buchstaben. Das passiert, wenn die Schriftarten des PDFs keine Zuordnung ihrer Glyphen zu echten Zeichen enthalten. Manche Design- und Druckprogramme lassen diese Zuordnung weg. Die Seite sieht richtig aus, weil Formen gezeichnet werden, doch die darunterliegenden Zeichen sind nicht die angezeigten Buchstaben. Behandle die Datei wie einen Scan und verarbeite sie mit gescanntes PDF in Text.

Harmlosere Abweichungen haben einfachere Ursachen: fi und fl wurden zu einem einzigen Ligaturzeichen verbunden oder ein Wort wurde in zwei Teile getrennt, weil das PDF jeden Buchstaben einzeln positioniert.

Extrahierten Text aufräumen

Gedruckte Zeilen werden als einzelne Zeilen ausgegeben. Daher enthält ein Absatz nach wenigen Wörtern einen Umbruch, und am Zeilenende getrennte Wörter bleiben gespalten. Laufende Kopfzeilen, Fußzeilen und Seitenzahlen wiederholen sich zwischen dem Fließtext einmal pro Seite. Entferne sie, bevor du den Text zitierst oder weiterverwendest, und lösche die Seitenangaben, wenn der Text als zusammenhängender Inhalt verwendet werden soll.

Für die Wort- oder Zeichenanzahl eines Dokuments fügst du den bereinigten Text in den Wortzähler ein. Wenn du direkt die Rohfassung zählst, werden alle Kopfzeilen und Bezeichnungen mitgezählt.

So benutzt du es

1. Wähle ein PDF aus.
2. Extrahiere den Text.
3. Kopiere ihn oder lade eine .txt-Datei herunter.

Datenschutz & Einschränkungen

Die Datei wird in deinem Browser geöffnet und umgeschrieben und niemals hochgeladen – entscheidend, wenn es sich um einen Vertrag, einen Scan oder etwas anderes handelt, das du einer fremden Person nicht geben würdest. Ein gescanntes PDF enthält keinen extrahierbaren Text; das wird gemeldet, statt eine leere Datei zurückzugeben.