Deutsch
So extrahieren Sie Text aus einem PDF
Um Text aus einem PDF zu extrahieren, legen Sie die Datei auf das Feld oben. Der Text erscheint rechts, sobald die Seiten gelesen sind, und Sie können ihn kopieren oder als .txt- oder Markdown-Datei herunterladen. Alles passiert in Ihrem Browser. Ein Vertrag, ein Kontoauszug oder ein unveröffentlichtes Manuskript wird also nie an einen Server gesendet.
- Fügen Sie ein PDF oder mehrere hinzu. Nutzen Sie die Beispielschaltfläche, wenn Sie nur sehen wollen, was das Werkzeug tut.
- Wählen Sie reinen Text oder Markdown und entscheiden Sie, ob die Zeilen zu Absätzen zusammengefasst werden sollen.
- Tippen Sie einen Seitenbereich ein, wenn Sie nur einen Teil der Datei brauchen, zum Beispiel 1-3, 5, 8-.
- Prüfen Sie das Ergebnis in der Ansicht des ganzen Dokuments oder Seite für Seite und kopieren oder laden Sie es herunter. Bei mehreren Dateien liefert Alle herunterladen (.zip) eine Textdatei je PDF.
Die Zähler für Wörter und Zeichen über dem Text beziehen sich auf die ausgewählten Seiten. Das ist praktisch, um einen langen Bericht schnell zu zählen, ohne eine Textverarbeitung zu öffnen.
Warum kopierter PDF-Text kaputt aussieht
Ein PDF enthält keine Absätze. Es enthält Textstücke mit Koordinaten, gezeichnet in der Reihenfolge, die das Programm beim Erstellen gewählt hat. Kopieren Sie in einem PDF-Reader, erhalten Sie am Ende jeder gedruckten Zeile einen Umbruch, durch Bindestriche zerteilte Wörter und bei einem zweispaltigen Artikel zuerst die erste Zeile der linken Spalte, dann die erste Zeile der rechten.
Dieses Werkzeug baut die Struktur anhand der Koordinaten neu auf:
| Problem beim Kopieren | Was das Werkzeug tut | Option |
|---|---|---|
| Ein Zeilenumbruch nach jeder gedruckten Zeile | Verbindet die Zeilen eines Absatzes und behält die Abstände zwischen den Absätzen | Zeilenumbrüche |
| Ver- sicherung über zwei Zeilen geteilt | Entfernt den Bindestrich und verbindet das Wort | Mit Bindestrich am Zeilenende getrennte Wörter korrigieren |
| Spalten vermischt | Liest die linke Spalte bis unten, dann die nächste | Spalten nacheinander lesen |
| Seitenzahl und Titel auf jeder Seite | Entfernt Zeilen, die sich im oberen oder unteren Rand wiederholen | Wiederholte Kopf- und Fußzeilen entfernen |
| Eine Tabelle, zu einem Wortstrom zusammengefallen | Behält Zeilen und Spalten, tabulatorgetrennt oder als Markdown-Tabelle | Tabellen erkennen |
Eine Vorsicht zur Korrektur der Bindestriche: Sie verbindet eine kleingeschriebene Fortsetzung mit dem Wort davor. Eine echte Zusammensetzung, die zufällig am Bindestrich umbricht, etwa „hoch-
wertig“, wird deshalb zu „hochwertig“. Deaktivieren Sie die Option bei Dokumenten mit vielen solchen Wörtern.
Reiner Text oder Markdown?
Reiner Text ist die sicherste Wahl zum Einfügen in eine E-Mail, eine Notiz-App oder ein Übersetzungswerkzeug. Markdown ist besser, wenn der Text in eine Dokumentation, ein Wiki oder eine Notiz-App kommt, die es versteht. Das Werkzeug schätzt die Überschriften aus der Schriftgröße: Die größte Überschriftengröße wird zu #, die nächste zu ##, dann zu ###. Aufzählungs- und nummerierte Listen behalten ihre Zeichen, und Tabellen werden zu Markdown-Tabellen. Ein PDF, das überall eine Schriftgröße nutzt, hat einfach keine Überschriften, die gefunden werden könnten.
Gescannte PDFs und OCR
Ein Scan ist ein Foto einer Seite, es gibt also keinen Text zum Herausziehen. Hat eine Seite keine Textebene, erscheint ein OCR-Feld, in dem Sie die Sprache wählen und die Seiten lesen. Die OCR-Engine (Tesseract) läuft in Ihrem Browser. Engine und Sprachdaten werden beim ersten Gebrauch heruntergeladen (einige Megabyte, bei manchen Sprachen mehr), und Ihre Seiten werden trotzdem nicht hochgeladen.
- Ein sauberer Scan mit 300 DPI liefert gute Ergebnisse. Ein Handyfoto, schräg aufgenommen und mit Schatten, liefert deutlich schlechtere.
- Wählen Sie die richtige Sprache. Englische OCR auf einer deutschen Seite verliert jeden Umlaut und das ß.
- Tabellen und mehrspaltige Layouts sind mit OCR weniger zuverlässig als mit echtem Text. Prüfen Sie vor allem Zahlen.
Was das Werkzeug nicht kann
Text, der Teil eines Bildes, einer Grafik oder einer Zeichnung ist, ist im PDF kein Text und wird übersprungen, sofern Sie nicht OCR auf die Seite anwenden. Komplexe Layouts mit schwebenden Kästen, Seitenleisten oder um Bilder herumlaufendem Text können in falscher Reihenfolge gelesen werden. Die Ansicht Seite für Seite zeigt solche Stellen am schnellsten. PDFs mit beschädigter Schriftkodierung können verstümmelte Buchstaben ergeben, das sehen Sie im Ergebnis, bevor Sie etwas herunterladen. Quer gedruckter Text wird ausgelassen. Dateien über 150 MB werden abgelehnt, damit der Tab nicht den Speicher ausschöpft.
Häufig gestellte Fragen
Wie extrahiere ich Text aus einem PDF, ohne es hochzuladen?
Legen Sie das PDF auf dieses Feld, und kurz darauf erscheint der Text rechts, bereit zum Kopieren oder als .txt-Datei zum Herunterladen. Ihr Browser liest die Datei selbst, nichts verlässt also Ihr Telefon oder Ihren Computer. Ein 20-seitiges Textdokument ist in wenigen Sekunden fertig.
Warum sind die Zeilen im kopierten PDF-Text kaputt und der Abstand seltsam?
Ein PDF speichert jede Zeile als einzelne Textstücke, die auf der Seite platziert sind, nicht als Absätze. Dieses Werkzeug setzt die Stücke in die Lesereihenfolge zurück, verbindet die Zeilen jedes Absatzes und repariert Wörter, die am Zeilenende mit einem Bindestrich getrennt wurden. So lässt sich das Ergebnis sauber in ein Dokument einfügen. Wenn Sie die Zeilen genau so wollen, wie gedruckt, stellen Sie Zeilenumbrüche auf Zeilenumbrüche behalten um.
Kann es PDFs mit zwei oder drei Spalten in der richtigen Reihenfolge lesen?
In den meisten Fällen ja. Das Werkzeug sucht nach einem deutlichen senkrechten Abstand und liest jede Spalte von oben nach unten, bevor es zur nächsten geht. Eine Überschrift über die volle Breite bleibt oben. Zeitschriftenseiten mit Text um Bilder herum, Seitenleisten oder unregelmäßige Kästen können aber trotzdem in falscher Reihenfolge erscheinen. Prüfen Sie solche Seiten in der Ansicht Seite für Seite.
Wie extrahiere ich Text aus einem gescannten PDF?
Nutzen Sie das OCR-Feld, das erscheint, wenn eine Seite keine Textebene hat. Wählen Sie die Sprache des Dokuments und drücken Sie Seiten mit OCR lesen. Die Engine läuft in Ihrem Browser, und der erste Durchlauf lädt die Sprachdaten einmalig herunter. Ein sauberer Scan mit 300 DPI wird gut gelesen, ein schräg fotografiertes Handyfoto deutlich schlechter. Prüfen Sie das Ergebnis deshalb gründlich.
Kann ich den Text als Markdown mit Überschriften erhalten?
Ja. Wählen Sie Markdown (.md), dann werden größere Schriften zu Überschriften: die größte Größe wird zu #, die nächste zu ## und dann zu ###. Aufzählungs- und nummerierte Listen behalten ihre Zeichen, und Tabellen werden zu Markdown-Tabellen. Die Überschriften werden aus der Schriftgröße geschätzt. Ein PDF, das überall dieselbe Größe nutzt, hat also keine.
Wie entferne ich Kopfzeilen, Fußzeilen und Seitenzahlen aus dem extrahierten Text?
Lassen Sie die Option Wiederholte Kopf- und Fußzeilen sowie Seitenzahlen entfernen aktiviert. Zeilen im oberen oder unteren Rand, die sich auf mindestens der Hälfte der Seiten wiederholen, sowie einzelne Seitenzahlen werden entfernt. Ein Titel, der nur auf einer Seite steht, bleibt erhalten. Entfernen Sie den Haken, wenn eine Fußzeile, die Sie brauchen, verschwindet.
Kann ich Text nur aus bestimmten Seiten oder aus mehreren PDFs gleichzeitig extrahieren?
Tippen Sie im Feld Seiten Angaben wie 1-3, 5, 8- ein, dann werden nur diese Seiten gelesen. Sie können auch mehrere PDFs hinzufügen und erhalten eine Textdatei je Datei in einer einzigen .zip-Datei. Dieselben Optionen und derselbe Seitenbereich gelten für jede Datei.
Gibt es eine Größenbegrenzung für das PDF?
PDFs bis 150 MB können geöffnet werden, und bis zu 3.000 Seiten werden auf einmal gelesen. Die Seiten werden nacheinander verarbeitet, mit Fortschrittsanzeige und Schaltfläche Abbrechen. Eine 200-seitige Datei friert den Tab also nicht ein. Passwortgeschützte PDFs fragen nach dem Passwort und nutzen es nur, um die Datei auf Ihrem Gerät zu öffnen.