Word-Dateien: Eine DOCX ist ein ZIP voller XML – und warum die Umwandlung in eine so schwer ist

Diese Asymmetrie sollte man klar benennen: Eine DOCX zu schreiben ist machbar, eine originalgetreu zu lesen nicht. Ein Dokument zu erzeugen heißt, XML für Absätze, Überschriften und Textläufe zu generieren – das kann eine Bibliothek. Eine vorhandene DOCX exakt so darzustellen, wie Word es täte, heißt, Jahrzehnte an Layoutverhalten nachzubilden, und dafür braucht es in der Praxis Word oder LibreOffice. Deshalb führen die Umwandlungen hier in DOCX hinein und nicht heraus.

Ist die Quelle eine PDF, verlagert sich die Schwierigkeit auf die andere Seite. Eine PDF speichert positionierte Glyphenfolgen statt Absätzen, eine DOCX daraus zu bauen heißt also, eine Struktur zu erschließen, die nie festgehalten wurde: Glyphen anhand ihrer Grundlinien zu Zeilen gruppieren, Absatzumbrüche erraten, Schriftgrößen ordnen, um Überschriften zu erkennen. Gewöhnlicher Fließtext kommt gut durch. Mehrspaltige Layouts, Tabellen und frei platzierte Bilder nicht, weil die Informationen, die man zu ihrer Rekonstruktion bräuchte, nicht in der Datei stehen.

Ist die PDF ein Scan, gibt es überhaupt keinen Text, mit dem sich arbeiten ließe, und diese Website liest die Zeichen mit einem KI-Erkennungsmodell, das auf Ihrem eigenen Rechner läuft, von den Seitenbildern ab, statt die Datei hochzuladen. Das Ergebnis ist ein Word-Dokument, das Sie bearbeiten können – mit der Einschränkung, dass die Erkennung nicht perfekt ist und das Layout rekonstruiert statt bewahrt wird.