So extrahierst du Text aus einem PDF
- Ziehe ein PDF auf das Feld oben oder klicke auf PDF auswählen. Das Werkzeug zeigt Seitenzahl und Größe an.
- Möchtest du nur einzelne Seiten lesen, gib sie im Feld Seiten ein, zum Beispiel
1-3, 5, 8-. Lässt du es leer, wird das ganze Dokument gelesen. - Klicke auf Text extrahieren. Ein Fortschrittsbalken zeigt, welche Seite gerade gelesen wird.
- Der Text erscheint in einem Feld. Schalte Vor jeder Seite eine Zeile „Seite N“ einfügen ein, um den Überblick über die Seiten zu behalten, oder Zeilen jedes Absatzes verbinden, um Zeilenumbrüche zu entfernen, die nur von der Seitenbreite stammen.
- Klicke auf Text kopieren oder .txt herunterladen. Die Datei ist nach deinem PDF benannt, zum Beispiel
bericht.txt.
Der Text wird in deinem Browser von der Open-Source-Engine pdf.js gelesen. Dein PDF wird nie hochgeladen, und es gibt keine Anmeldung, kein Wasserzeichen und kein Seitenlimit.
Was dieses Werkzeug lesen kann und was nicht
Ein PDF kann Text auf zwei Arten speichern. In einem digitalen PDF, das aus einer Textverarbeitung, einer Webseite oder einem Berichtsgenerator stammt, sind die Buchstaben echte Zeichen mit Positionen auf der Seite. Das Werkzeug liest sie direkt, was schnell und exakt ist. In einem gescannten PDF ist jede Seite nur ein Foto von Papier, es gibt also keine Zeichen zu lesen. Findet das Werkzeug fast keinen Text, sagt es das und verlinkt zwei andere Werkzeuge: „PDF in JPG umwandeln“, das die Seiten in Bilder verwandelt, und „Bild in Text“, das per OCR die Buchstaben in Bildern erkennt.
Der Text kommt in der Lesereihenfolge heraus, in der das PDF ihn speichert. Das Werkzeug baut Zeilen aus der senkrechten Position der Wörter wieder auf und setzt Leerzeichen, wo Wörter sichtbar auseinanderstehen. Absatzabstände werden zu einer Leerzeile. Kopf- und Fußzeilen und Seitenzahlen sind enthalten, weil sie Teil der Seite sind.
Beispiel
Du hast einen Geschäftsbericht mit 24 Seiten und brauchst den Text der Zusammenfassung auf den Seiten 3 bis 5 für eine E-Mail. Gib 3-5 ein, klicke auf Text extrahieren und schalte, weil die Zusammenfassung in zwei schmalen Spalten gesetzt ist, Zeilen jedes Absatzes verbinden ein. Aus den abgehackten Zeilen werden fließende Absätze, bereit zum Einfügen. Die Statistik unter dem Feld zeigt etwa „412 Wörter · 2.567 Zeichen · 3 Seiten“. Brauchst du später den ganzen Bericht mit Seitenmarkierungen zum Suchen, leere das Feld „Seiten“, schalte die Seitenzeilen ein und lade die .txt-Datei herunter.
Fehlersuche
- Seltsame Symbole oder fehlende Umlaute. Manche PDFs nutzen Schriften ohne Zuordnung von Glyphen zu Buchstaben, sodass sich der Text nicht wiederherstellen lässt. OCR auf den Seitenbildern ist die zuverlässige Alternative.
- Wörter kleben zusammen oder sind getrennt. Das hängt davon ab, wie das PDF erzeugt wurde. Zeilen werden über Positionen getrennt, daher können ungewöhnliche Abstände gelegentlich Wörter verschmelzen oder teilen.
- Tabellen. Die Zellen kommen als Textzeilen in Zeilenreihenfolge. Füge sie in eine Tabellenkalkulation ein und nutze „Text in Spalten“, um die Tabelle wieder aufzubauen.
- Passwortgeschützte PDFs lassen sich nicht lesen, bis du das Passwort in einem PDF-Reader entfernt hast.
- PDF lässt sich nicht kopieren? Gehört das Dokument dir, kannst du den Text meist hier extrahieren. Beachte die Rechte der Urheber, wenn du Inhalte weiterverwendest, die anderen gehören.
Häufige Fragen
Wird mein PDF auf einen Server hochgeladen?
Nein. Der Text wird in deinem Browser mit einer Open-Source-Engine gelesen, die von dieser Website ausgeliefert wird. Datei und Text verlassen dein Gerät nicht.
Warum habe ich keinen oder nur sehr wenig Text erhalten?
Das PDF ist wahrscheinlich ein Scan: Seine Seiten sind Bilder, kein Text. Das Werkzeug weist dann darauf hin und verlinkt die Werkzeuge „PDF in JPG umwandeln“ und „Bild in Text“, die die Seiten in Bilder umwandeln und per OCR lesen.
Bleiben Layout, Tabellen und Spalten erhalten?
Das Werkzeug baut Zeilen und Absätze aus den Positionen der Wörter wieder auf, was bei normalem Text gut funktioniert. Tabellen und mehrspaltige Layouts kommen als Textzeilen heraus und müssen eventuell nachbearbeitet werden. Mit „Zeilen jedes Absatzes verbinden“ entfernst du Zeilenumbrüche innerhalb von Absätzen.
Funktioniert es mit Umlauten und anderen Sprachen?
Ja, solange das PDF echten Text mit einer korrekten Schriftkodierung enthält. Umlaute, ß und andere Sonderzeichen werden genau so kopiert, wie sie gespeichert sind. Zeigt das Ergebnis seltsame Symbole, haben die Schriften des PDFs keine Textzuordnung, und OCR ist die Alternative.
Kann ich nur einzelne Seiten extrahieren?
Ja. Gib im Feld „Seiten“ zum Beispiel 1-3, 5, 8- ein. Lässt du es leer, wird das ganze Dokument gelesen. Du kannst vor jeder Seite eine Zeile „Seite N“ einfügen lassen.