Den Text eines PDF kopieren, das sich nicht kopieren lässt
Veröffentlicht am · Aktualisiert am 2 Min. Lesezeit
Sie wollen den Text eines PDF übernehmen, und das Auswählen mit der Maus funktioniert nicht oder liefert durcheinandergewürfelte Buchstaben. Alles hängt davon ab, was das Dokument wirklich enthält: Text oder nur Bilder von Text. Die Extraktion liefert in beiden Fällen nicht dasselbe.
Echter Text oder Textbild
Öffnen Sie das PDF und versuchen Sie, ein Wort auszuwählen. Funktioniert die Auswahl, enthält das Dokument echten Text. Wenn nicht, sind seine Seiten Bilder, wie die eines Scans: Für den Computer ist das ein Foto, keine Buchstaben.
Was das Werkzeug tut
PDF in Text umwandeln liest den echten Text direkt und wendet auf Seiten, die keinen haben, eine Zeichenerkennung an, das heißt, es „liest“ das Bild, um die Buchstaben zu finden. Das Ergebnis ist eine Textdatei mit einer Markierung vor jeder Seite: „--- Page 1 [native] ---“ für echten Text, „--- Page 1 [ocr] ---“ für eine erkannte Seite. Bei einem zehnseitigen Bericht ist die Datei etwa 5 KB groß.
Eine zweispaltige Seite
Das Werkzeug liest die Zeilen über die gesamte Breite der Seite. Die Zeilen zweier Spalten vermischen sich daher: links und rechts folgen Zeile für Zeile aufeinander. Ein am Zeilenende getrenntes Wort bleibt getrennt, zum Beispiel „Beg“ und dann „onnen“, und der Trennstrich verschwindet. Die Zellen einer Tabelle kommen in einer einzigen Zeile an, durch Leerzeichen getrennt.
Eine eingescannte Seite
Eine in ein Bild verwandelte Seite hat keinen echten Text mehr. Die Erkennung braucht einige Sekunden pro Seite und findet den Text, das getrennte Wort und die Zeilen einer Tabelle wieder, mit denselben vermischten Spalten. Die Engine ist auf Französisch eingestellt: Eine andere Sprache wird möglicherweise schlechter erkannt, und die Schärfe des Scans beeinflusst das Ergebnis stark.
Vor der Verwendung nachlesen
- Prüfen Sie Eigennamen, Zahlen und Akzente.
- Achten Sie auf Spaltenwechsel.
- Um das Layout zu behalten, wandeln Sie das PDF lieber in Bilder um.
- Behalten Sie das Original-PDF.
Für welche Dokumente
Ein eingescannter Vertrag, eine als Bild empfangene Rechnung, ein Artikel, bei dem die Auswahl nicht funktioniert, oder ein Bericht, aus dem Sie einige Absätze übernehmen wollen: Die Extraktion liefert eine Textdatei zum Kopieren an anderer Stelle.
Häufige Fragen
- Wie erkenne ich, ob mein PDF echten Text enthält?
- Versuchen Sie, ein Wort auszuwählen. Funktioniert die Auswahl, ist der Text echt. Wenn nicht, sind die Seiten Bilder, wie die eines Scans.
- Kann das Werkzeug ein eingescanntes PDF lesen?
- Ja, es wendet auf Seiten ohne Text eine Zeichenerkennung an. Die Engine ist auf Französisch eingestellt, und die Schärfe des Scans zählt stark.
- Warum vermischen sich die beiden Spalten?
- Das Werkzeug liest die Zeilen über die gesamte Breite der Seite, daher vermischen sich die Spalten. Um das Layout zu behalten, wandeln Sie das PDF lieber in Bilder um.
- Was bedeuten „[native]“ und „[ocr]“ im Ergebnis?
- „[native]“ steht für echten Text, „[ocr]“ für eine aus einem Bild erkannte Seite. Die zweite verlangt ein aufmerksameres Nachlesen.