PDF in Text (TXT)

So funktioniert es

Wählen Sie Ihre PDF-Dateien im Kasten (tippen oder klicken), stellen Sie die beiden Schalter ein und drücken Sie In Text umwandeln. Der erste Schalter ist die Seitenmarke: bleibt er an, steht vor jeder neuen Seite eine Zeile wie "--- Seite 2 ---", und in einem langen Dokument sehen Sie weiterhin, welcher Satz von welcher Seite stammt; schalten Sie ihn aus, läuft die Schrift ohne Unterbrechung durch. Der zweite Schalter betrifft die Zeilenenden: In einer PDF sind die Zeilen bereits auf die Papierbreite umbrochen, und wer diese Umbrüche mitnimmt, bekommt in jedem anderen Programm eine schmale Spalte. "Zu Absätzen verbinden" führt Fortsetzungszeilen wieder zusammen, "Wie auf der Seite lassen" ist dagegen bei Gedichten, Tabellenauszügen und Programmcode richtig, wo die Ausrichtung Bedeutung trägt. Die Ergebniszeile nennt die Zahl der gelesenen Seiten und der gefundenen Wörter. Sie können mehrere PDFs gleichzeitig wählen; jede kommt als eigene .txt-Datei unter ihrem eigenen Namen. Verlangt ein Dokument ein Kennwort, tragen Sie es in das Feld darunter ein; bei gewöhnlichen Dateien bleibt das Feld leer.

Dieses Werkzeug ist auch als pdf in text umwandeln, pdf zu txt konvertieren, text aus pdf extrahieren, pdf text herauskopieren, pdf textextraktion, pdf als textdatei speichern bekannt.

Was ist Textebene?

Die Textebene ist der Teil einer PDF, in dem Buchstaben tatsächlich als Buchstaben gespeichert sind: Zu jedem Zeichen steht fest, mit welcher Schriftart es an welcher Stelle der Seite sitzt, und genau das macht die Schrift markierbar, durchsuchbar und kopierbar. Jede PDF aus einer Textverarbeitung, einer Tabellenkalkulation oder einem Buchhaltungsprogramm trägt diese Ebene. Eine Seite aus dem Scanner hat sie nicht; dort liegt nur ein Foto, und was wie ein Buchstabe aussieht, ist in Wahrheit eine Ansammlung dunkler Bildpunkte. Genau diese Ebene liest dieses Werkzeug.

Was ist Gescannte PDF?

Eine gescannte PDF ist ein Papierdokument, das mit Scanner oder Handykamera fotografiert und Seite für Seite in eine PDF gelegt wurde. Von außen wirkt sie wie eine gewöhnliche Datei, doch es gibt darin keinen einzigen markierbaren Buchstaben: Wenn sich beim Ziehen mit der Maus nichts markieren lässt, halten Sie einen Scan in der Hand. Der einzige Weg zu Text führt dann über die optische Zeichenerkennung, ein Programm, das aus den Formen im Bild Buchstaben errät — und dessen Ergebnis immer mit dem Auge geprüft werden muss.

Was ist TXT (reiner Text)?

TXT ist das schlichteste Dokumentformat überhaupt: Es enthält Zeichen und Zeilenumbrüche, sonst nichts — kein Fett, keine Schriftart, keine Farbe, keine Tabellen, keine Bilder. Diese Schlichtheit ist der Grund, warum es sich überall öffnen lässt; Texteditoren, Tabellenprogramme, Übersetzungswerkzeuge und Vorleseprogramme kommen alle mit reinem Text zurecht. Die Kodierung der Datei entscheidet, welche Zeichen richtig erscheinen, und dieses Werkzeug schreibt UTF-8, sodass Umlaute und andere Sonderzeichen in modernen Programmen unverändert ankommen.

Was ist der Unterschied zwischen PDF und TXT?

Eine PDF hält das Aussehen der Seite fest: Schriftart, Ränder, Spalten und Bilder stehen auf jedem Gerät an derselben Stelle, weil die Datei vermerkt, dass ein bestimmter Buchstabe an einem bestimmten Punkt in einer bestimmten Größe zu drucken ist. TXT speichert überhaupt kein Aussehen, nur die Zeichenfolge; das öffnende Programm wählt Schriftart und Zeilenbreite selbst. Der Weg von PDF zu TXT verliert deshalb Information: Tabellenlinien, Ausrichtung, Seitenaufbau und Bilder bleiben zurück, übrig bleibt die Schrift, die den Sinn trägt. Behalten Sie die PDF, wenn das Dokument unverändert weitergegeben wird, und nehmen Sie die TXT, wenn Sie an den Worten arbeiten wollen.

Wie werden Wortabstände und Spalten erkannt?

In einer PDF gibt es keine Sätze; es gibt Buchstaben, die einzeln an feste Punkte der Seite gesetzt wurden. Deshalb liefert eine rohe Extraktion oft Merkwürdigkeiten wie "MaxMuster" oder "S umme". Dieses Werkzeug schaut stattdessen auf die Koordinaten: Stücke auf gleicher Höhe bilden eine Zeile, und ist der waagerechte Abstand zwischen zwei Stücken größer als ein Fünftel der Buchstabenhöhe, wird ein Wortabstand eingefügt. Das Ergebnis ist sauberer als das übliche Kopieren und Einfügen.

Bei zweispaltigem Satz gibt es eine Grenze. Zeilen werden von links nach rechts gelesen, deshalb können sich die Sätze nebeneinanderstehender Spalten verschränken. In einem solchen Dokument ist es schneller, "Wie auf der Seite lassen" zu wählen und die Spalten mit dem Auge zu trennen. Kolumnentitel, Fußzeilen und Seitenzahlen gehören ebenfalls zur Seite und landen daher in der Ausgabe; wer sie nicht braucht, löscht sie anschließend im Texteditor.

Wofür wird diese Umwandlung gebraucht?

Es geht darum, die Schrift in einem scheinbar verschlossenen Dokument wieder bearbeitbar zu machen. Die üblichen Aufgaben sind diese:

• In einem langen Bericht suchen oder ein Zitat in die eigenen Notizen holen
• Ein per E-Mail eingegangenes Dokument einem Übersetzungsprogramm oder der Rechtschreibprüfung geben
• Die Rohfassung einer Rechnung oder eines Kontoauszugs ansehen, bevor sie in die Tabelle wandert
• Die Schrift einem Vorleseprogramm übergeben — reinen Text liest jedes Werkzeug
• Gescannte Dokumente gehen nicht: Die Seiten sind Fotos, hier kommt zuerst OCR

Häufige Fragen

Wie wandle ich eine PDF in Text um?

Wählen Sie die Datei im Kasten, stellen Sie Seitenmarke und Zeilenenden ein und drücken Sie In Text umwandeln. Die Schrift wird herausgeholt und eine .txt-Datei geladen, die jedes Textprogramm bis hin zum Editor öffnet.

Warum stehen Seitenzahlen und Kopfzeilen in meinem Text?

Kopfzeile, Fußzeile und Seitenzahl sind Schriftstücke auf der Seite wie jedes andere, und das Werkzeug nimmt mit, was auf der Seite steht. Welcher Teil Fließtext und welcher Beiwerk ist, verrät ein Dokument selten. Am sichersten löschen Sie diese Zeilen in der Ausgabedatei.

Warum lässt sich eine gescannte PDF nicht umwandeln?

Eine Seite aus dem Scanner oder von der Handykamera liegt in der PDF als Foto; die Buchstaben sind Punkte, keine Schrift. Dieses Werkzeug erkennt keine Buchstaben in einem Bild und meldet bei solchen Dateien, dass die Textebene fehlt.

Kommen Umlaute und Sonderzeichen richtig an?

Ja. Gleich welche Kodierung die eingebettete Schriftart benutzt, das Werkzeug liest ihre eigene Zeichenzuordnung und setzt die richtigen Buchstaben ein, also auch ä, ö, ü und ß. Bei sehr alten oder fehlerhaft eingebetteten Schriften kann ein einzelner Buchstabe verrutschen; lesen Sie die Ausgabe einmal durch.

Wird mein Dokument auf einen Server geladen?

Nein. Das Öffnen der Datei, das Herausholen der Schrift und das Erzeugen der .txt geschehen in Ihrem Browser; weder das Dokument noch sein Name geht irgendwohin. Bei Verträgen und Arztberichten zählt dieser Unterschied.