Das Extrahieren von Text aus einem PDF – entweder als reine Textdatei oder in ein bearbeitbares Dokument – ist einer der am häufigsten benötigten PDF-Vorgänge. Welcher Ansatz am besten funktioniert, hängt davon ab, ob das PDF über eine echte Textebene verfügt oder ein gescanntes Bild ist und was Sie mit dem extrahierten Text vorhaben.
Die einfachste Methode: Kopieren und Einfügen
Für ein PDF mit auswählbarem Text ist das Kopieren und Einfügen in einen Texteditor oder ein Textverarbeitungsprogramm oft der schnellste Weg. Öffnen Sie das PDF, drücken Sie Strg+A, um alles auszuwählen, Strg+C zum Kopieren und dann Strg+V, um es in Notepad, TextEdit, Word oder wo immer Sie den Text benötigen, einzufügen. Dies eignet sich gut für kurze Dokumente oder wenn Sie den Inhalt nur schnell benötigen, ohne auf die Beibehaltung der Struktur zu achten.
Die Einschränkung: Durch Kopieren und Einfügen bleibt die Formatierung nicht erhalten, und bei mehrspaltigen PDFs oder Dokumenten mit komplexen Layouts wird der Text oft in der falschen Reihenfolge ausgegeben – Spalten werden verschachtelt, Fußnoten erscheinen in der Mitte des Absatzes, Kopf- und Fußzeilen vermischen sich mit dem Textkörper. Für ein einfaches lineares Dokument ist dies kein Problem. Bei komplexen Layouts kann es schwierig sein, mit dem extrahierten Text zu arbeiten.
Versuchen Sie es mit PDF zu Word
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.
Konvertierung in Word für eine bessere Struktur
Wenn bei der Textextraktion Absätze, Überschriften und die Grundstruktur erhalten bleiben müssen – damit Sie den Inhalt in einem Textverarbeitungsprogramm bearbeiten können, anstatt ihn nur als einfachen Text zu lesen – ist die Konvertierung in Word eine bessere Methode als Kopieren und Einfügen. Ein PDF-Konverter analysiert die Dokumentstruktur und versucht, Absätze, Überschriften, Listen und Tabellen als richtige Word-Elemente zu rekonstruieren, anstatt einfach den gesamten Text in Lesereihenfolge auszugeben.
Google Docs erledigt dies kostenlos: Laden Sie das PDF auf Drive hoch, öffnen Sie es mit Google Docs und der Text erscheint mit einigermaßen erhaltener Struktur. Für eine genauere Konvertierung komplexer Dokumente handhaben spezielle PDF-zu-Word-Tools die Layoutanalyse besser als der integrierte Importer von Google.
Extrahieren in einfachen Text (.txt)
Für die Datenverarbeitung, die Eingabe von Inhalten in andere Tools oder die Archivierung nur des Textinhalts ohne Formatierung ist eine einfache TXT-Extraktion sauberer als eine Word-Konvertierung. Adobe Acrobat (die kostenpflichtige Version) kann ein PDF als einfachen Text über Datei → Exportieren nach → Text (einfach) speichern. Der kostenlose Acrobat Reader kann nicht als Text speichern, aber Sie können alles kopieren und in Notepad einfügen, was praktisch zum gleichen Ergebnis führt.
Für die Stapelextraktion oder den programmgesteuerten Einsatz extrahiert Python mit der Bibliothek pdfplumber oder PyPDF2 automatisch Text aus mehreren PDFs, was nützlich ist, wenn Sie viele Dokumente verarbeiten müssen. Befehlszeilentools wie pdftotext (Teil des Poppler-Dienstprogrammpakets, verfügbar auf Mac über Homebrew und Linux über Paketmanager) erledigen dasselbe effizient, ohne Code schreiben zu müssen.
Gescannte PDFs: OCR zuerst
Bei gescannten PDFs ohne Textebene funktioniert keine der oben genannten Methoden – es gibt keinen zu extrahierenden Text. Die Seite wird als Bild gespeichert. OCR muss zuerst ausgeführt werden, um die Zeichen zu erkennen und eine Textebene zu erstellen, bevor eine Extraktion möglich ist. Das OCR PDF-Tool von WukongPDF fügt die Textebene zum PDF hinzu; Danach funktionieren die oben genannten Kopier-/Einfüge- oder Konvertierungsmethoden normal mit der OCR-Version.
Open with Google Docs von Google Drive führt OCR auch automatisch auf gescannten PDFs aus – es ist eine der bequemeren kostenlosen Optionen, da OCR und Textextraktion in einem einzigen Schritt erfolgen und direkt aus dem Scan ein bearbeitbares Dokument erstellt wird. Die Genauigkeit hängt wie immer von der Scanqualität ab.
Was bei der Textextraktion verloren geht
Bei jeder Textextraktion werden Bilder, Diagramme, Diagramme und visuelle Formatierungen verworfen. Tabellen können je nach Extraktionsmethode als durch Tabulatoren getrennter Text vorliegen oder verschlüsselt sein. Mathematische Notationen, chemische Formeln und spezielle Symbole überstehen die Extraktion oft nicht ordnungsgemäß – sie werden möglicherweise weggelassen, durch Platzhalterzeichen ersetzt oder als verstümmelte Sequenzen gerendert. Bei Dokumenten, bei denen diese Elemente wichtig sind, bleibt bei der Konvertierung in Word statt in einfachen Text ein größerer Teil der ursprünglichen Struktur erhalten.
Versuchen Sie es mit PDF zu Word
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.