Text aus PDF kopieren

Der Unterschied, an dem alles hängt

Es gibt zwei völlig verschiedene Sorten PDF, und sie sehen gleich aus:

Digital erzeugte PDFs kommen aus Word, InDesign, LaTeX oder einem Rechnungsprogramm. Sie enthalten echten Text mit Schriftinformationen. Aus ihnen lässt sich der Inhalt vollständig und fehlerfrei herauslösen.

Eingescannte PDFs entstehen aus einem Scanner oder einer Handykamera. Jede Seite ist ein Bild — für das Auge lesbar, für den Rechner eine Fläche aus Bildpunkten. Es gibt keinen Text, den man kopieren könnte.

Die meisten Werkzeuge zeigen bei der zweiten Sorte einfach ein leeres Feld und lassen dich rätseln. Dieses hier sagt es dir: kein eingebetteter Text gefunden, das Dokument ist offenbar ein Scan. Das erspart die halbe Stunde, in der man vier andere Anbieter ausprobiert.

Der Zwei-Sekunden-Test vorher: PDF öffnen, einen Satz mit der Maus markieren. Geht das, ist Text da. Färbt sich ein Rechteck über die ganze Seite, ist es ein Scan.

Warum die Formatierung leidet

PDF ist ein Druckformat, kein Textformat. Es speichert keine Absätze, Überschriften oder Tabellen, sondern Zeichen an Koordinaten: „Buchstabe M an Position x=72, y=640". Die Struktur, die du siehst, entsteht erst im Auge.

Daraus folgt, was beim Auslesen gut geht und was nicht:

• Fließtext kommt zuverlässig und in der richtigen Reihenfolge.
• Zwei- und dreispaltige Layouts laufen oft ineinander, weil die Zeichen zeilenweise über die Seitenbreite gelesen werden.
• Tabellen verlieren ihre Zellstruktur; die Werte kommen mit, ihre Zuordnung nicht.
• Kopf- und Fußzeilen landen mitten im Text, weil sie auf jeder Seite an derselben Stelle stehen.
• Silbentrennung am Zeilenende bleibt als Bindestrich stehen.

Für einen zweispaltigen Artikel lohnt es sich deshalb, in zwei Durchgängen zu arbeiten oder das Ergebnis nachzubearbeiten. Für einen Vertrag oder einen Brief ist es meist sofort brauchbar.

Wofür man das braucht

• Ein Zitat aus einem Bericht übernehmen, ohne es abzutippen.
• Adressen aus einer Rechnung in ein Formular übertragen.
• Einen Text zur Prüfung in ein anderes Werkzeug geben — Wortzahl, Lesbarkeit, Übersetzung.
• Ein altes Dokument durchsuchbar machen, indem der Text in ein Textprogramm wandert.
• Prüfen, ob ein PDF überhaupt Text enthält — etwa bevor man es an ein Portal schickt, das den Inhalt automatisch ausliest.

Der letzte Punkt ist der unterschätzte: Bewerbungsportale und Rechnungsprüfsysteme lesen den Text aus. Was sie nicht lesen können, existiert für sie nicht. Ein eingescannter Lebenslauf kann deshalb formal eingegangen und trotzdem inhaltlich unsichtbar sein.

Was viele übersehen

• Auslesen umgeht keinen Kopierschutz. Manche PDFs sind mit Berechtigungen versehen, die das Kopieren untersagen. Wenn ein Dokument verschlüsselt ist, lässt es sich hier gar nicht erst öffnen.
• Sonderzeichen können verrutschen. Bei ungewöhnlichen Schriften ohne saubere Zeichenzuordnung kommen gelegentlich falsche Buchstaben heraus. Das ist selten, aber es passiert — überflieg das Ergebnis, bevor du es weiterverwendest.
• Der Text ist nicht das Layout. Fett, kursiv, Schriftgrößen und Farben gehen verloren. Was du bekommst, ist reiner Text.
• Große Dokumente brauchen einen Moment. Jede Seite wird einzeln gelesen; der Fortschritt läuft mit.

Passt dazu

Ist das PDF ein Scan und du brauchst die Seiten trotzdem weiter, wandelt PDF in JPG umwandeln sie in Bilder um. Wenn du nur ein paar Seiten brauchst, löst PDF teilen sie vorher heraus. Und die Länge des Ergebnisses zählt der Zeichenzähler.