Wie man Text aus einem PDF extrahiert

Den Text aus einem PDF holen

Ein PDF hält seinen Text in einer Ebene, die Sie nicht sehen können. Wenn das PDF aus einem Textverarbeitungsprogramm erstellt wurde, ist der Text als Zeichen gespeichert — dieselben Zeichen, die Sie getippt haben. Diesen Text zu extrahieren heißt, die Ebene zu lesen und sie als einfache .txt-Datei auszuschreiben: kein Layout, keine Formatierung, nur die Wörter, der Reihe nach. Das ist nützlich, wann immer die Wörter das sind, was Sie brauchen — um ein langes Dokument zu durchsuchen, einen Absatz zu zitieren, den Text in ein anderes Tool einzuspeisen.

Dieses Tool liest die Textebene jeder Seite und verbindet sie zu einer .txt-Datei, mit Seitenmarkierungen zwischen den Seiten, damit Sie erkennen können, wo eine Seite endet und die nächste beginnt. Das Ergebnis öffnet sich in jedem Texteditor, auf jedem Gerät, und es ist klein — ein ganzer Bericht wird zu ein paar Kilobyte Text. Sie können bis zu 20 Dateien auf einmal extrahieren, insgesamt 100 MB, und alle Textdateien zusammen als ZIP herunterladen. Weil der Text aus der Ebene kommt, die das PDF bereits speichert, ist das Extrahieren schnell und exakt: Was Sie bekommen, ist der Text, den das Dokument selbst enthält.

Die ehrliche Grenze ist, dass Text alles ist, was Sie bekommen. Das Layout überlebt nicht — Spalten laufen zusammen, Tabellen verlieren ihre Form, Fett- und Kursivschrift verschwinden, und Bilder sind nicht enthalten. Wenn Sie brauchen, dass das Dokument gleich aussieht, behalten Sie das PDF; die .txt-Datei ist zum Lesen, Suchen und Wiederverwenden der Wörter da. Und ein gescanntes PDF hat überhaupt keine Textebene, also gibt es nichts zu extrahieren. Das Tool sagt das ehrlich, statt Ihnen eine leere Datei zu geben. Für einen Scan verwenden Sie zuerst das Tool „PDF mit OCR lesen" — es liest die Buchstaben aus dem Bild und gibt Ihnen den Text.

Ein paar praktische Tipps. Wenn der extrahierte Text durcheinander aussieht — Wörter in der falschen Reihenfolge, oder eine Tabelle, die als eine lange Zeile gelesen wird — dann ist das so, wie die Textebene gespeichert wurde, und kein Extraktor kann das beheben; das PDF selbst wurde so gebaut. Wenn Sie nur ein Kapitel brauchen, extrahieren Sie die ganze Datei und suchen Sie in der .txt-Datei nach der Kapitelüberschrift — ein Texteditor findet sie in einer Sekunde. Und wenn der Text, den Sie brauchen, auf einer gescannten Seite in einem sonst normalen PDF steht, extrahieren Sie, was Sie können, und lassen Sie dann nur diese Seite durch OCR laufen.

Es hilft auch zu wissen, welche Art von PDF sauberen Text liefert. Ein PDF, das aus einem Textverarbeitungsprogramm oder einem Satzprogramm erstellt wurde, extrahiert sich meist wunderbar, weil die Textebene in Lesereihenfolge geschrieben wurde. Ein PDF, das aus einem gescannten Bild erstellt wurde, hat überhaupt keine Ebene, und ein PDF, das von einem Programm erstellt wurde, das Text in visueller Reihenfolge speichert — von rechts nach links, oder Spalte für Spalte — wird in dieser Reihenfolge extrahiert, und kein Extraktor kann das richtigstellen. Wenn der extrahierte Text falsch aussieht, öffnen Sie das PDF und schauen Sie sich die Seite an: Wenn die Seite selbst gut aussieht, aber der Text durcheinander herauskommt, ist die Ebene schlecht gespeichert, und die einzige Lösung ist OCR. Und denken Sie daran, dass die .txt-Datei reiner Text ist: Sie hat kein Fett, keine Kursivschrift, keine Links und keine Bilder. Wenn Sie einen Absatz zitieren müssen, ist die .txt-Datei perfekt; wenn Sie eine Seite zeigen müssen, schicken Sie das PDF.

Noch eine praktische Anmerkung: Die Textdatei ist klein, und das ist ein Vorteil. Ein ganzer Bericht wird zu ein paar Kilobyte, die Sie in einer Sekunde durchsuchen, ohne über die Größe nachzudenken per E-Mail schicken oder in ein Suchfeld einfügen können. Behalten Sie die .txt-Datei neben dem PDF mit demselben Namen — bericht.txt neben bericht.pdf — damit Sie immer wissen, welcher Text zu welchem Dokument gehört. Und wenn Sie aus vielen Dateien auf einmal extrahieren, laden Sie das ZIP herunter und entpacken Sie es in denselben Ordner wie die PDFs; die Namen stimmen überein, sodass nichts durcheinandergerät.

Alles läuft in Ihrem Browser. Ihr PDF wird nie auf einen Server hochgeladen, also bleibt ein privates Dokument auf Ihrem Gerät. Es gibt kein Konto, kein Tageslimit und kein Wasserzeichen. Öffnen Sie das Tool, ziehen Sie Ihr PDF hinein und laden Sie den Text herunter.

So verwenden Sie dieses Tool

1. 1Ziehen Sie ein PDF auf die Seite „Text aus PDF extrahieren" — bis zu 20 Dateien, insgesamt 100 MB.
2. 2Klicken Sie auf „Text extrahieren" und warten Sie einen Moment.
3. 3Laden Sie die .txt-Datei herunter.
4. 4Öffnen Sie sie in einem beliebigen Texteditor und prüfen Sie, ob der Text, den Sie brauchen, da ist.
5. 5Wenn die Datei leer zurückkommt oder das Tool sagt, dass es keinen Text gibt, ist Ihr PDF ein Scan — verwenden Sie stattdessen das Tool „PDF mit OCR lesen".