Das Extrahieren von Text aus einem PDF ist unkompliziert, wenn das PDF über eine geeignete Textebene verfügt – Sie können ihn einfach auswählen und kopieren. Die Herausforderung besteht bei gescannten PDFs oder solchen, bei denen Text in Umrisse umgewandelt wurde, bei denen das visuelle Erscheinungsbild des Textes vorhanden ist, die zugrunde liegenden Zeichen jedoch nicht. Hier erfahren Sie, wie Sie mit beiden Situationen umgehen.
Extrahieren von Text aus einem nativen digitalen PDF
Für digital erstellte PDFs – aus Word, Excel, PowerPoint oder Designsoftware – ist die Textextraktion so einfach wie das Auswählen und Kopieren. Öffnen Sie das PDF in einem beliebigen Viewer, klicken und ziehen Sie, um Text auszuwählen, und drücken Sie zum Kopieren Strg/Befehlstaste + C. Fügen Sie den Inhalt in einen Texteditor, ein Word-Dokument oder wo immer Sie ihn benötigen, ein.
Um den gesamten Text aus einem mehrseitigen PDF auf einmal zu extrahieren, drücken Sie Strg/Befehlstaste + A, um alles auszuwählen, und kopieren Sie dann den Text und fügen Sie ihn ein. Der Text fließt in der Reihenfolge, in der PDF ihn speichert, normalerweise von oben nach unten nach Spalte – mehrspaltige Layouts werden manchmal in einer weniger intuitiven Reihenfolge eingefügt, die eine manuelle Neuanordnung erfordert.
Probieren Sie PDF OCR aus
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.
Extrahieren von Text aus einem gescannten PDF mithilfe von OCR
Gescannte PDFs speichern Seiten als Bilder, sodass keine Textebene zum Kopieren vorhanden ist. Um den Text zu extrahieren, müssen Sie zunächst OCR für das Dokument ausführen. Laden Sie das gescannte PDF in das OCR PDF-Tool von WukongPDF hoch, verarbeiten Sie es und laden Sie die durchsuchbare Version herunter. Die Textebene ist jetzt eingebettet und kann wie jedes digitale PDF ausgewählt, kopiert und durchsucht werden.
Wenn Sie den extrahierten Text als separate Datei benötigen, anstatt ihn in das PDF einzubetten, konvertieren Sie die OCR-Ausgabe mit einem PDF in Word-Tool in Word. Die Word-Datei enthält den gesamten erkannten Text in einem bearbeitbaren Format, sodass Sie problemlos Abschnitte kopieren, neu formatieren oder auf dem Inhalt aufbauen können.
Text in eine Word- oder Textdatei extrahieren
Für eine direkte PDF-zu-Text-Extraktion ohne manuelle OCR-Operation extrahiert der PDF-zu-Word-Konverter von WukongPDF den Textinhalt und platziert ihn in einer bearbeitbaren .docx-Datei. Für einfachen Text ohne Formatierung öffnen Sie das resultierende Word-Dokument und speichern es als TXT-Datei – oder fügen Sie den Inhalt in einen Nur-Text-Editor ein und speichern Sie von dort aus.
Dies ist nützlich, wenn Sie sauberen, unformatierten Text für die Datenverarbeitung, den Import in eine andere Anwendung oder die Eingabe in ein KI-Tool benötigen, das mit reiner Texteingabe arbeitet.
Extrahieren von Text aus passwortgeschützten PDFs
Wenn für ein PDF Kopierbeschränkungen durch ein Besitzerkennwort festgelegt sind, funktioniert die Textauswahl zwar visuell, der Kopiervorgang ist jedoch blockiert. Um Text aus einem eingeschränkten PDF zu extrahieren, auf das Sie berechtigten Zugriff haben, verwenden Sie zunächst das Tool PDF Unlock von WukongPDF, um die Berechtigungseinschränkung aufzuheben, und extrahieren Sie dann den Text normal. Sobald die Einschränkung aufgehoben ist, funktioniert das Kopieren und Einfügen ohne Einschränkung.
Extraktionsqualität prüfen
Vergleichen Sie nach dem Extrahieren des Textes einige Absätze stichprobenartig mit dem ursprünglichen PDF, um die Richtigkeit zu bestätigen. Zu den häufigsten Problemen gehören Ligaturen (Fi-, Fl-Kombinationen), die als verstümmelte Zeichen extrahiert werden, Sonderzeichen, die in Fragezeichen umgewandelt werden, und Zeilenumbrüche mit Bindestrichen, die mitten im Wort im extrahierten Text erscheinen. Die meisten davon lassen sich mit der Funktion „Suchen und Ersetzen“ leicht beheben, sobald Sie wissen, wonach Sie suchen müssen.
Probieren Sie PDF OCR aus
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.