Zum Inhalt springen
Convertube

PDF-Dateien: warum sich der Text so schwer wieder herausholen lässt

Was eine PDF speichert, warum bei der Umwandlung in Word das Layout verloren geht und was eine gescannte von einer digitalen PDF unterscheidet. Ohne Upload.

Auf einen Blick

Typ
Dokumente
Dateiendungen
.pdf
MIME-Typ
application/pdf
Auch bekannt als
Portable Document Format

Eine PDF beschreibt eine fertige Seite, kein Dokument. Ihr Content-Stream ist eine Folge von Zeichenoperatoren – diese Schrift setzen, zu diesen Koordinaten gehen, diese Glyphenfolge ausgeben, diesen Pfad nachziehen –, fast direkt geerbt von PostScript, das Adobe zur Ansteuerung von Druckern entworfen hat. Diese Herkunft erklärt beide prägenden Eigenschaften des Formats: Es sieht überall gleich aus, weil dem Betrachter nichts zu entscheiden bleibt, und es ist ungewöhnlich schwer, etwas daraus zu extrahieren, weil die Struktur, die ein Mensch sieht, nie aufgeschrieben wurde.

Weiterlesen

Konkret hat eine PDF keine Absätze, keine Zeilen und oft keine Wörter. Sie hat positionierte Glyphenfolgen. Der Satz, den Sie gerade lesen, könnte als ein Dutzend einzelner Folgen an berechneten Koordinaten gespeichert sein, und der Abstand zwischen zwei Wörtern kann eine Stelle ohne Tinte sein statt eines Leerzeichens. Jeder Konverter von PDF in Text oder Word, auch dieser, rekonstruiert daher: Er gruppiert Glyphenfolgen nach Grundlinien, um Zeilen zurückzugewinnen, errät Absatzgrenzen und erschließt Überschriften aus der Schriftgröße. Bei gewöhnlichem Fließtext funktioniert das gut, Spalten und Tabellen werden dabei aber plattgedrückt, weil die Informationen, die man zu ihrem Erhalt bräuchte, nie in der Datei standen.

Das Zweite, was man wissen sollte: „PDF“ umfasst zwei völlig verschiedene Situationen. Eine aus Word oder einem Browser exportierte PDF enthält echten Text, den Sie durchsuchen und kopieren können. Eine von einem Scanner oder einer Handykamera erzeugte PDF enthält Fotos von Seiten und überhaupt keinen Text – die Wörter sind Pixel, und nichts kann sie ohne Zeichenerkennung extrahieren. Diese Website erkennt diesen Fall und lässt ein KI-Erkennungsmodell auf Ihrem eigenen Rechner laufen, statt die Datei hochzuladen. Das ist ungewöhnlich: Normalerweise ist OCR genau der Punkt, an dem ein Konverter Ihr Dokument an einen Server schickt.

Bei PDFs hört Datenschutz außerdem auf, abstrakt zu sein. In diesem Format reisen Verträge, Gehaltsabrechnungen, Kontoauszüge, Arztbriefe, Rechnungen und gescannte Ausweisdokumente. Jede Umwandlung hier läuft innerhalb der Seite – die PDF wird von Code in Ihrem Browser geöffnet, gerendert und gelesen, und keine Anfrage transportiert die Datei. Das ist der Grund, warum dieser Konverter so gebaut ist, wie er gebaut ist, und PDF ist die Kategorie, in der es am meisten zählt.

PDF-Tools

Bearbeitung auf Seitenebene – ohne Umwandlung. Alle 14 laufen auf Ihrem Gerät.

PDF in andere Formate umwandeln

Andere Formate in PDF umwandeln

FAQ: PDF

Warum sieht PDF in Word nie richtig aus?

Weil eine PDF positionierte Glyphen speichert, keine Struktur. Umwandeln heißt, Absätze, Überschriften und Lesereihenfolge aus Koordinaten zu erschließen, und eine Tabelle oder ein zweispaltiges Layout, das nie als solches festgehalten wurde, lässt sich nicht zurückgewinnen. Ein Konverter, der das Layout besser erhält, rendert die Seite dafür auf einem Server mit einem vollständigen Office-Paket – und das heißt, er bekommt Ihre Datei.

Wie erkenne ich, ob meine PDF gescannt ist?

Versuchen Sie, in einem PDF-Reader Text zu markieren. Wenn Sie Wörter markieren und kopieren können, hat die Datei eine Textebene. Zieht Ihr Cursor stattdessen einen Rahmen über ein Bild, ist es ein Scan, und jede Textextraktion braucht Zeichenerkennung.

Lädt die OCR hier mein Dokument hoch?

Nein. Hat eine PDF keine Textebene, wird ein KI-Erkennungsmodell – ein neuronales Netz mit fünf Millionen Parametern – in Ihren Browser heruntergeladen und läuft dort. Beim ersten Mal etwa 21 MB, danach aus dem Cache. Jeder konkurrierende Konverter, der OCR anbietet, schickt die Datei stattdessen an einen Server.

Wie genau ist die Erkennung?

Etwa 98 % der Zeichen bei sauber gedruckten Dokumenten in unseren eigenen Tests, bei Chinesisch wie bei Englisch. Echte Scans sind schwieriger – Stempel, Handschrift, niedrige Auflösung und eine schief eingezogene Seite senken den Wert. Betrachten Sie das Ergebnis als Entwurf, den Sie mit dem Original abgleichen.

Warum ist die Dateigrößengrenze für PDFs so viel niedriger als für Video?

80 MB, weil Seiten als Bitmaps in voller Auflösung im Speicher gerendert werden und diese Kosten in Pixeln gemessen werden, nicht daran, wie gut die PDF komprimiert war. Eine Videoumwandlung läuft als Stream durch die Datei; eine PDF-Seite muss auf einmal als Rastergrafik existieren.

Welche PDF-Umwandlung sollte ich wählen?

TXT, wenn Sie die Wörter durchsuchen oder einfügen wollen. DOCX, wenn Sie bearbeiten wollen und den Verlust des Layouts hinnehmen können. JPG oder PNG, wenn die Seite genau so aussehen soll wie jetzt – JPG für fotografische Scans, PNG für Text und Diagramme.

Kann ich Bilder in eine PDF umwandeln?

Ja, und zwar verlustfrei: PDF trägt JPEG- und PNG-Daten nativ, das Bild wird also genau so eingebettet, wie es ist, statt neu komprimiert zu werden. Die entstehende Seite entspricht den Pixelmaßen des Bildes, statt auf A4 eingepasst zu werden.

Werden passwortgeschützte PDFs unterstützt?

Nein. Eine verschlüsselte PDF lässt sich weder zum Lesen noch zum Rendern öffnen, und der Auftrag schlägt mit einer entsprechenden Meldung fehl, statt leere Seiten zu erzeugen. Entfernen Sie das Passwort zuerst in einem PDF-Reader.