So extrahieren Sie Text aus einer PDF
- Ziehen Sie eine PDF in den Ablagebereich oben oder klicken Sie, um sie auszuwählen.
- Klicken Sie auf Text extrahieren. Der Text jeder Seite wird der Reihe nach gelesen und in einem Vorschaufeld angezeigt, mit einer Markierung wie
--- Seite 2 ---am Anfang jeder Seite. - Kopieren Sie den Text aus dem Vorschaufeld oder laden Sie ihn als einfache
.txt-Datei (UTF-8) herunter.
Die Extraktion übernimmt pdf.js, dieselbe Engine, die hinter dem integrierten PDF-Viewer von Firefox steckt, und sie läuft in Ihrem Browser-Tab. Das Dokument wird nicht hochgeladen, sodass Sie bedenkenlos Text aus Verträgen, wissenschaftlichen Arbeiten oder Kontoauszügen herausholen können.
Wie die Textextraktion aus PDFs funktioniert
In einer PDF hat jede Seite einen Content-Stream: eine Liste von Zeichenanweisungen wie „verwende Schrift F1 in 11 Punkt, gehe zu Position (72, 700), zeige diese Zeichen an“. Text ist daher als positionierte Fragmente gespeichert, manchmal als ganze Zeile, manchmal als einzelnes Wort oder sogar als einzelne Buchstaben.
Um daraus wieder lesbaren Text zu machen, geht das Extraktionsprogramm so vor:
- Es dekodiert jedes Fragment aus den internen Zeichencodes der Schrift in Unicode, anhand der in der PDF eingebetteten Zuordnungstabellen;
- es sortiert die Fragmente nach ihrer Position auf der Seite;
- es fügt Leerzeichen und Zeilenumbrüche dort ein, wo die Abstände zwischen den Fragmenten auf neue Wörter und neue Zeilen hindeuten.
Da eine PDF keine ausdrückliche Vorstellung von Absätzen oder Lesereihenfolge hat, ist das Ergebnis einfacher Text mit Zeilenumbrüchen statt formatierter Absätze. Bei den meisten Dokumenten (Briefe, Berichte, Bücher, Artikel) liest sich das Ergebnis ganz natürlich.
Einschränkungen
| Situation | Was Sie sehen |
|---|---|
| Gescannte oder fotografierte Seiten | Keinen Text – die Seite ist ein Bild, und OCR wird nicht angeboten |
| Mehrspaltige Layouts | Spalten können Zeile für Zeile ineinander verschachtelt sein |
| Tabellen | Zellwerte in Zeilen, ohne Raster |
| Schriften ohne Unicode-Zuordnung | Verstümmelte oder fehlende Zeichen |
| Passwortgeschützte / verschlüsselte PDF | Die Datei lässt sich nicht öffnen |
Ein kurzer Test zeigt Ihnen, was Sie erwarten können: Öffnen Sie die PDF in einem beliebigen Viewer und versuchen Sie, einen Satz zu markieren. Wenn Sie ihn markieren und kopieren können, lässt sich der Text extrahieren. Wird die ganze Seite als ein Block markiert oder lässt sich gar nichts markieren, ist es ein Bild.
Tipps
- Sie möchten Überschriften und Absätze statt einfacher Zeilen behalten? Nutzen Sie PDF in Word im bearbeitbaren Modus.
- Für Zahlen, die in Tabellen angeordnet sind, verteilt PDF in Excel die Werte auf Zeilen und Spalten.
- Einfacher Text ist ideal für Suchindizes, Übersetzungstools, Wortzählungen, KI-Zusammenfassungstools und Barrierefreiheitssoftware, weil er keine Formatierung enthält, die entfernt werden müsste.
Häufig gestellte Fragen
Warum erhalte ich die Meldung „Kein Text gefunden“?
Die PDF enthält Bilder von Text statt echtem Text, wie es bei Scans typisch ist. Aus solchen Dateien lässt sich Text nur mit OCR-Software gewinnen.
Warum werden manche Zeichen durch seltsame Symbole ersetzt?
Manche PDFs betten Schriften mit eigenen Zeichencodes und ohne Unicode-Zuordnung ein. Der Viewer kann die Formen zeichnen, aber es gibt keinen zuverlässigen Weg herauszufinden, welche Buchstaben sie darstellen.
Bleibt die Formatierung wie Fettdruck oder Schriftgröße erhalten?
Nein. Das Ergebnis ist einfacher UTF-8-Text. Jede Zeile der Seite wird zu einer Textzeile, aber Schriften, Farben und Bilder bleiben nicht erhalten.
Kann ich Text nur aus bestimmten Seiten extrahieren?
Das Tool extrahiert das gesamte Dokument. Um es einzugrenzen, speichern Sie die benötigten Seiten zuerst mit PDF teilen als separate Datei.
Aktualisiert