PDF in Text umwandeln

1. 01PDF auswählen oder in das Feld ziehen. Verlangt die Datei ein Passwort, tippst du es ein.
2. 02Alle Seiten lesen lassen oder nur bestimmte, zum Beispiel 1-3,5. Dann „Text auslesen" antippen.
3. 03Bei dem Ergebnis stellst du ein, wie der Text aussehen soll. Das Ergebnis ändert sich sofort, die Datei wird dafür nicht noch einmal gelesen.
4. 04Kopieren oder als TXT-Datei speichern.

Woher der Text kommt. Eine PDF speichert keinen fließenden Text, sondern einzelne Textstücke mit Koordinaten auf der Seite. Dieses Werkzeug setzt sie wieder zusammen: Stücke auf gleicher Höhe werden zu einer Zeile (wie viel Höhenunterschied erlaubt ist, richtet sich nach der Schriftgröße), innerhalb der Zeile von links nach rechts geordnet. Ein Leerzeichen entsteht dort, wo die Lücke größer ist als ein Viertel der Schriftgröße, nicht zwischen jedem Stück. Ein größerer Abstand nach oben, eine kurze Zeile davor, eine Aufzählung oder ein Sprung in der Schriftgröße beginnt einen neuen Absatz. Ligaturen wie „fi" werden zu „fi", unsichtbare Zeichen fallen weg.

Wo eine Leerzeile steht. Eine Leerzeile setzt das Werkzeug nur dort, wo in der PDF auch ein größerer Abstand war. Sonst beginnt der Absatz in der nächsten Zeile. Wo es raten muss, kann es danebenliegen: Sind alle Zeilen gleich lang (eine Adresse, ein Gedicht, eine Liste), sehen sie aus wie ein einziger Absatz, und „Zeilenumbrüche im Absatz entfernen" klebt sie zusammen. Schalte die Einstellung dann aus.

Spalten. Zwei Spalten erkennt das Werkzeug an einer senkrechten Lücke in der Mitte der Seite, durch die fast keine Zeile läuft. Dann liest es erst die linke, dann die rechte Spalte. Eine Überschrift über beide Spalten und eine Tabelle mitten auf der Seite stehen an ihrer Stelle. Läuft ein Absatz von der linken in die rechte Spalte, zieht das Werkzeug ihn zusammen, wenn die Zeile bis an den Rand reicht und ohne Satzzeichen endet. Das ist eine Näherung. Nicht erkannt werden drei und mehr Spalten, Text, der um ein Bild herumfließt, Seiten mit sehr wenigen Zeilen und Seiten, auf denen die Spalten nur einen Teil der Höhe einnehmen und darüber oder darunter Text über die ganze Breite steht. Dort wird quer gelesen, und die Zeilen beider Spalten mischen sich. Eine schmale rechte Spalte, etwa Beträge am Rand, gilt nicht als Spalte. Auf welchen Seiten es zwei Spalten angenommen hat, steht nach dem Auslesen unter dem Knopf. Mit „Mehrere Spalten erkennen" schaltest du die Suche aus.

Tabellen. Tabellen werden Text, keine Tabellen. Eine Tabellenzeile kommt als eine Zeile heraus, die Zellen durch ein Leerzeichen getrennt. Steht eine Zeile mit großer Lücke unter einer zweiten, behandelt das Werkzeug beide als Tabellenzeilen und hängt sie nicht an den Text davor. Eine einzelne solche Zeile kann auch Blocksatz sein, der sich über zwei kurze Wörter dehnt, und bleibt deshalb im Absatz. Steht in einer Zelle Text über mehrere Zeilen, vermischen sich die Zeilen einer Tabellenzeile. Für echte Tabellen taugt das Ergebnis nicht.

Silbentrennung. Steht am Zeilenende ein Bindestrich und die nächste Zeile fängt klein an, zieht das Werkzeug das Wort zusammen. Fängt sie groß an („DIN-" und „Normen"), bleibt der Strich, das Leerzeichen fällt. Bei „Miet-" und „und Kaufvertrag" (auch bei oder, bzw., sowie) bleibt beides. Ein echter Bindestrich, nach dem klein weitergeht und der genau am Zeilenende steht, sieht aus wie eine Silbentrennung und wird mit zusammengezogen.

Über den Seitenwechsel. Ohne Seitentrenner zieht das Werkzeug einen Absatz, der über das Seitenende läuft, wieder zusammen, wenn die Fortsetzung eindeutig ist: Trennstrich am Seitenende, oder die Zeile läuft bis an den Rand und hört ohne Satzzeichen auf. Beginnt die neue Seite mit einer Kopfzeile, muss es zusätzlich klein weitergehen. Sonst steht zwischen den Seiten eine Leerzeile. Mit Seitentrennern bleibt ein solcher Absatz in zwei Teilen.

Kopf- und Fußzeilen. Das Werkzeug schaut in die obersten und untersten drei Zeilen jeder Seite und sucht Zeilen, die auf mindestens drei Seiten und auf mindestens 60 Prozent der gelesenen Seiten gleich sind. Ziffern zählen als gleich: „Seite 3 von 12" und „Seite 4 von 12" sind dieselbe Zeile. Steht eine Kopfzeile auf Spaltenseiten in zwei Teilen (links das Datum, in der Mitte der Titel), gelten beide Teile als eine Zeile. Entfernt wird nur, wenn du die Einstellung anschaltest, und sie nennt vorher, was gefunden wurde. Eine Zeile, die zufällig auf vielen Seiten oben oder unten steht, wird ebenfalls gefunden: Lies die Beispiele, bevor du entfernst.

Seiten ohne Text. Hat eine Seite gar keinen Text, sagt das Werkzeug es und nennt die Seite. Sind alle gelesenen Seiten leer, ist die PDF vermutlich eingescannt, und es gibt nichts auszugeben.

Unlesbare Zeichen. Manche PDFs enthalten Schriften ohne Zuordnung zu echten Buchstaben. Beim Kopieren kommt dann Kauderwelsch heraus, in jedem Programm. Das Werkzeug zählt Zeichen, die erkennbar keine Buchstaben sind (Ersatzzeichen, Zeichen aus dem privaten Bereich, nicht druckbare Zeichen), und warnt ab 5 Prozent aller Zeichen, mindestens aber ab drei solchen Zeichen: Ein einzelnes kaputtes Zeichen in einem sehr kurzen Text wäre sonst schon ein Alarm. Zeichen, die falsch sind, aber wie normale Buchstaben aussehen, erkennt es nicht.

Text in anderer Richtung. Steht ein Teil des Textes schräg oder quer (ein Wasserzeichen wie „ENTWURF", eine Randnotiz), fehlt er im Ergebnis. Die Meldung nennt die Seiten und die Zahl der Zeichen. Steht der ganze Text einer Seite quer, liest das Werkzeug ihn in Leserichtung.

Passwort und Kopiersperre. Verlangt die PDF ein Passwort zum Öffnen, brauchst du es: Raten oder Knacken gibt es hier nicht. Ist nur das Kopieren gesperrt, liest das Werkzeug den Text trotzdem und sagt dir das. Nutz das nur für Dateien, die dir gehören oder deren Text du verwenden darfst.

Die Datei. Die TXT-Datei ist UTF-8 und endet mit einem Zeilenumbruch. Zeilen sind durch einen einfachen Zeilenvorschub getrennt; sehr alte Programme zeigen dann alles in einer Zeile. Mit der Bytefolge (BOM) erkennt auch der Windows-Editor UTF-8 sicher. Bei einer Auswahl von Seiten heißt die Datei „name-auszug.txt", sonst wie die PDF. Wörter und Zeichen werden gezählt wie bei Text zählen: Zeichen mit Leerzeichen und Zeilenumbrüchen, Wörter durch Leerraum getrennt.