PDF in Text umwandeln: Text aus PDF extrahieren
So extrahieren Sie den Text aus einer PDF als reine Textdatei — und wann es nicht funktioniert.
Wann funktioniert die Textextraktion?
Die Textextraktion funktioniert nur, wenn die PDF einen eingebetteten Textlayer hat. Das ist der Fall bei PDFs, die direkt aus Textverarbeitungsprogrammen (Word, LibreOffice) exportiert wurden. Bei gescannten PDFs gibt es keinen Textlayer — das Werkzeug kann hier keinen Text extrahieren.
Ausführliche Erklärung: Was ist eine durchsuchbare PDF?
Schritt-für-Schritt: Text extrahieren
- Öffnen Sie das Werkzeug PDF in Text.
- Laden Sie die PDF-Datei hoch.
- Wählen Sie die Optionen:
- Seiten mit Form-Feed trennen: fügt ein
- Leerzeichen normalisieren: entfernt mehrfache Leerzeichen.
- Seiten mit Form-Feed trennen: fügt ein
- Klicken Sie auf „Text extrahieren".
- Laden Sie die resultierende
.txt-Datei herunter.
Was extrahiert wird
Das Werkzeug extrahiert den gesamten sichtbaren Text der PDF in der Reihenfolge, in der er im Dokument gespeichert ist. Das schließt ein:
- Fließtext und Überschriften
- Tabelleninhalte (als Text, ohne Formatierung)
- Fußnoten und Kopfzeilen
- Captions von Bildern
Was NICHT extrahiert wird
- Bilder: Bilder enthalten keinen extrahierbaren Text (außer es ist ein Textlayer darübergelegt).
- Formatierung: Fett, kursiv, Schriftgröße, Farben und Tabellenrahmen gehen verloren.
- Seitenlayout: Der Textfluss folgt der internen Speicherung, nicht dem visuellen Layout. Bei mehrspaltigem Layout kann der Text in ungewöhnlicher Reihenfolge erscheinen.
- Eingebettete Schriftarten: Die Schriftart selbst wird nicht extrahiert — nur die Zeichen.
Typische Probleme und Lösungen
„Die PDF enthält keinen eingebetteten Text"
Diese Fehlermeldung bedeutet, dass die PDF gescannt ist und keinen Textlayer hat. Lösung: Verwenden Sie eine OCR-Software (z. B. Tesseract, Adobe Acrobat), um Text zu erkennen.
Der Text ist in falscher Reihenfolge
Bei mehrspaltigen PDFs oder komplexen Layouts kann die Textreihenfolge durcheinander sein. Das liegt daran, dass PDF.js den Text in der Reihenfolge extrahiert, in der er im Dokument gespeichert ist — nicht unbedingt in der visuellen Leserichtung.
Lösung: Kopieren Sie den Text manuell im PDF-Reader (Text markieren → Strg+C → in Texteditor einfügen). Manche Reader sortieren den Text korrekt nach visueller Position.
Umlaute fehlen oder sind falsch
Wenn die PDF nicht-standardmäßige Schriftarten-Codierungen verwendet, können Umlaute (ä, ö, ü, Ý) als andere Zeichen oder als Leerstrings extrahiert werden. Das ist ein Problem der Quell-PDF, nicht des Werkzeugs.
Verwandte Werkzeuge
- PDF Informationen anzeigen — Prüfen Sie vor der Extraktion, wie viele Seiten die PDF hat und ob Metadaten vorhanden sind.
- PDF in JPG — Wenn Sie die PDF nicht als Text sondern als Bild brauchen.