PDF naar TXT omzetten

Er bestaan twee soorten PDF en van buiten zien ze er hetzelfde uit. De ene komt uit een document — geëxporteerd uit Word, afgedrukt naar PDF, gemaakt door een systeem — en bevat echte tekens. De andere komt uit een scanner of een telefooncamera en bevat een plaatje van een pagina. Bij de eerste werkt het uitlezen feilloos; bij de tweede levert het niets op, want er valt niets op te leveren.

Je weet het in vijf seconden zonder iets om te zetten. Open de PDF en probeer een regel met de muis te selecteren. Lichten er losse woorden op, dan staan de tekens in het bestand en haalt deze pagina ze eruit. Licht de hele pagina op als één rechthoek, of gebeurt er niets, dan is het een plaatje. Dat geval vraagt tekenherkenning — software die naar de vormen kijkt en raadt welke letters het zijn — en dat is een ander werk met een ander foutpercentage, dat deze omzetter niet probeert.

Platte tekst is een rij tekens en verder niets. Ze kent geen kolom, geen tabel, geen kop, geen pagina en geen lettertype. Een PDF naar tekst omzetten is dus met opzet verliesgevend, en dat is geen beperking om omheen te werken — het is wat je besteld hebt.

De gevolgen zijn te voorzien. Een artikel in twee kolommen komt eruit als één doorlopende rij, met de linkerkolom van een pagina vóór de rechter in plaats van regel voor regel verweven. Een tabel wordt haar cellen als woorden, zonder het raster dat ze betekenis gaf. Kop- en voetteksten duiken op elke pagina midden in de tekst op. Doet iets daarvan ertoe, zet de PDF dan om naar een documentformaat, waar de structuur ergens kan wonen.

Een PDF bewaart geen zinnen en geen alinea’s. Hij bewaart opdrachten van de vorm «teken deze tekens op deze plek», en de volgorde van die opdrachten is meestal, maar niet noodzakelijk, de leesvolgorde. De meeste documenten komen uit software die ze in de voor de hand liggende volgorde schrijft, en dan is het uitlezen exact.

Bij zwaar vormgegeven pagina’s breekt het. Een tijdschriftopmaak met een uitgelicht citaat midden in een kolom, een formulier met velden rond de opschriften, een nieuwsbrief met kaders — die kunnen verweven naar buiten komen, omdat het bestand werkelijk niet vastlegt welk blok als eerste gelezen moet worden. Uit het bestand alleen valt dat niet betrouwbaar te herstellen; die informatie is nooit opgeschreven.

Kijk waar mensen tekst uit halen. Contracten, huurovereenkomsten, brieven van een arts, bankafschriften, facturen, ongepubliceerde manuscripten, artikelen die nog beoordeeld worden. De categorie helt ongewoon sterk over naar documenten waar precies één iemand iets mee te maken heeft.

Elke andere tekstuithaler op het net vraagt je te uploaden. Deze leest het bestand met pdf.js — de motor waarmee Firefox PDF’s toont, opensource en onder de Apache-licentie — binnen de pagina die je toch al open hebt. Het document wordt nooit verstuurd, en je kunt dat nagaan in plaats van geloven: ontwikkelaarsscherm openen, netwerktabblad erbij, en iets omzetten.

Dat is een van de gewone redenen geworden, en platte tekst is er het juiste formaat voor. Modellen lezen tekst; aan de lettertypen en de posities van een PDF hebben ze niets, en een PDF in een chatvenster slepen betekent meestal dat het hulpmiddel deze omzetting voor je deed, alleen slordiger.

Twee dingen helpen. Zet het hele document om in plaats van schermafbeeldingen van pagina’s, want tekst is exact waar een plaatje herkend moet worden. En kijk naar het begin van de uitvoer: is de eerste pagina een omslag met alleen een titel, dan begint de tekst met bitter weinig — een teken dat het gelukt is en niet dat het mislukte.

Het uitlezen is exact in wat het bestand zegt, en dat betekent af en toe exact zijn in iets vreemds. Een woord dat in het origineel aan het eind van een regel is afgebroken houdt zijn streepje. Sommige documenten coderen fi en fl als één teken, en zo komen ze binnen.

Niets daarvan is schade — het is het document dat getrouw wordt weergegeven. Zoeken en vervangen over de uitvoer regelt de streepjes, en met de ligaturen gaan de meeste editors en taalmodellen ongevraagd goed om.

De uitvoer is UTF-8, en dat wil je in vrijwel elk geval: letters met accenten, Grieks, Cyrillisch, Japans en emoji in één bestand, leesbaar voor elk hedendaags programma.

De ene plek waar het nog knelt is oudere Windows-software, en Excel is de gebruikelijke verdachte, want dubbelklikken op een tekst- of CSV-bestand laat het een oude codetabel raden. Dan wordt «coördinatie» opeens «coördinatie», struikelt het eurosymbool, en verandert een café in iets onherkenbaars. Via Gegevens → Van tekst/CSV importeren en daar UTF-8 kiezen lost het op, net als het bestand in zowat iets anders openen.

Liet de selectieproef een plaatje zien, dan kan deze pagina niet helpen, en dat zeggen is beter dan een leeg bestand teruggeven. Herkenning is werkelijk iets anders met werkelijk een andere manier van falen: ze faalt niet luid, ze gokt stilletjes verkeerd.

De realistische routes zijn de herkenning van je besturingssysteem — macOS en recente Windows-versies halen tekst uit een plaatje — of een eigen OCR-programma. Wat je ook neemt, lees het resultaat voordat je erop vertrouwt, want een verkeerd herkend cijfer in een factuur ziet er net zo uit als een goed cijfer.

Het uitlezen gaat snel, omdat er structuur gelezen wordt en niets getekend. Een paar honderd pagina’s valt niet op, en het werk hangt ongeveer samen met de hoeveelheid tekst en niet met de bestandsgrootte.

Traag wordt het bij een document dat groot is omdat het vol plaatjes zit, want daar moet nog steeds langs gelezen worden. Een gescande brochure van 200 MB doet er even over en levert dan, volkomen terecht, bijna geen tekst — dat is de selectieproef die je langs de trage weg hetzelfde antwoord geeft.