PDF in TXT umwandeln

Es gibt zwei Arten von PDF, und von außen sehen sie gleich aus. Das eine stammt aus einem Dokument — aus Word exportiert, als PDF gedruckt, von einem System erzeugt — und enthält echte Zeichen. Das andere stammt aus einem Scanner oder einer Handykamera und enthält ein Bild einer Seite.

Du erkennst es in fünf Sekunden: Öffne das PDF und versuche, eine Zeile mit der Maus zu markieren. Werden einzelne Wörter hervorgehoben, stehen die Zeichen in der Datei und diese Seite holt sie heraus. Wird die ganze Seite als ein Rechteck markiert oder gar nichts, ist es ein Bild — dann brauchst du Texterkennung, und die versucht diese Seite bewusst nicht.

Reiner Text ist eine Folge von Zeichen und sonst nichts. Er kennt keine Spalte, keine Tabelle, keine Überschrift, keine Seite und keine Schrift. Ein PDF zu Text zu machen ist also absichtlich verlustbehaftet — das ist nicht die Einschränkung, sondern genau das Bestellte.

Die Folgen sind absehbar. Ein zweispaltiger Aufsatz kommt als eine durchgehende Folge heraus, linke Spalte vor rechter statt zeilenweise verschränkt. Eine Tabelle wird zu ihren Zellen als Wörtern, ohne das Raster, das ihnen Bedeutung gab. Kopf- und Fußzeilen erscheinen auf jeder Seite mitten im Fluss.

Ein PDF speichert keine Sätze und keine Absätze. Es speichert Anweisungen der Art „zeichne diese Zeichen an diese Stelle", und die Reihenfolge dieser Anweisungen ist meist, aber nicht zwingend, die Lesereihenfolge.

Aufwendig gestaltete Seiten sind der Fall, in dem es bricht: ein Magazinlayout mit einem Zitat mitten in der Spalte, ein Formular mit Feldern um Beschriftungen herum, ein Rundbrief mit Kästen. Das kann verschränkt herauskommen, weil die Datei tatsächlich nicht festhält, was zuerst gelesen werden soll. Diese Information wurde nie aufgeschrieben.

Sieh dir an, woraus Leute Text herausholen. Verträge, Mietverträge, Arztbriefe, Kontoauszüge, Rechnungen, unveröffentlichte Manuskripte, Aufsätze im Begutachtungsverfahren. Die Kategorie neigt ungewöhnlich stark zu Dokumenten, deren Inhalt genau eine Person etwas angeht.

Jeder andere Textextraktor im Netz verlangt einen Upload. Dieser liest die Datei mit pdf.js — der Engine, mit der Firefox PDFs anzeigt, quelloffen und Apache-lizenziert — in der Seite, die du ohnehin offen hast. Und du kannst es prüfen statt es zu glauben: Entwicklerwerkzeuge öffnen, Netzwerk-Tab beobachten, etwas umwandeln.

Das ist einer der häufigen Gründe geworden, und reiner Text ist dafür das richtige Format. Modelle lesen Text; von Schriften und Positionen eines PDF haben sie nichts, und ein PDF in ein Chatfenster zu ziehen heißt meist, dass das Werkzeug diese Umwandlung für dich gemacht hat, nur unsorgfältiger.

Zwei Dinge helfen. Wandle das ganze Dokument um statt Bildschirmfotos einzelner Seiten, denn Text ist exakt, wo ein Bild erkannt werden muss. Und sieh dir den Anfang der Ausgabe an: Ist die erste Seite ein Deckblatt mit einem Titel, beginnt der Text mit sehr wenig — ein Zeichen dafür, dass es funktioniert hat, nicht dass es gescheitert ist.

Die Extraktion ist exakt in dem, was die Datei sagt — was gelegentlich heißt, exakt in etwas Merkwürdigem zu sein. Ein am Zeilenende getrenntes Wort behält seinen Trennstrich. Manche Dokumente kodieren fi und fl als ein Zeichen, und so kommen sie an.

Das ist kein Schaden, sondern eine treue Wiedergabe. Ein Suchen-und-Ersetzen über die Ausgabe erledigt die Trennstriche, und mit den Ligaturen kommen die meisten Editoren und Sprachmodelle ungefragt zurecht.

Die Ausgabe ist UTF-8, und das willst du praktisch immer: Umlaute, Griechisch, Kyrillisch, Japanisch und Emoji in einer Datei, lesbar für jedes aktuelle Programm.

Die eine Stelle, an der es hakt, ist ältere Windows-Software, und Excel ist der übliche Verdächtige — ein Doppelklick auf eine Text- oder CSV-Datei lässt es eine alte Codepage raten. Über Daten, Aus Text/CSV zu importieren und dort UTF-8 zu wählen behebt es, ebenso wie sie in fast irgendetwas anderem zu öffnen.

Hat der Markiertest ein Bild gezeigt, kann diese Seite nicht helfen, und das zu sagen ist besser, als eine leere Datei zurückzugeben. Texterkennung ist ein anderer Vorgang mit einer anderen Fehlerart: Sie scheitert nicht laut, sie rät leise falsch.

Die realistischen Wege sind die Erkennung deines Betriebssystems — macOS und aktuelle Windows-Versionen holen Text aus einem Bild — oder ein eigenes OCR-Programm. Was immer du nimmst, lies das Ergebnis, bevor du ihm traust: Eine falsch erkannte Ziffer in einer Rechnung sieht genauso aus wie eine richtige.

Die Extraktion ist schnell, weil sie Struktur liest statt etwas zu zeichnen. Ein paar hundert Seiten sind unauffällig, und der Aufwand hängt ungefähr an der Textmenge, nicht an der Dateigröße.

Langsam wird es bei einem Dokument, das groß ist, weil es voller Bilder steckt — die müssen trotzdem überlesen werden. Eine 200 MB große gescannte Broschüre braucht einen Moment und liefert dann, völlig richtig, fast keinen Text. Das ist der Markiertest, nur auf dem langsamen Weg.