Naar de inhoud
Convertube

PDF-bestanden: waarom de tekst er zo moeilijk weer uit te halen is

Wat een PDF opslaat, waarom converteren naar Word de opmaak verliest en hoe een gescande PDF verschilt van een digitale. Converteer PDF in je browser, gratis.

In één oogopslag

Type
Documenten
Extensies
.pdf
MIME-type
application/pdf
Ook bekend als
Portable Document Format

Een PDF beschrijft een afgewerkte pagina en geen document. De inhoudsstream is een reeks tekenopdrachten — stel dit lettertype in, ga naar deze coördinaten, toon deze reeks tekens, trek dit pad — die bijna rechtstreeks zijn overgenomen uit PostScript, dat Adobe ontwierp om printers aan te sturen. Die afkomst verklaart beide bepalende eigenschappen van het formaat: het ziet er overal identiek uit, omdat er niets aan de viewer wordt overgelaten, en het is ongewoon moeilijk om er iets uit te halen, omdat de structuur die een mens ziet nooit is opgeschreven.

Lees meer

Concreet heeft een PDF geen alinea’s, geen regels en vaak geen woorden. Hij heeft geplaatste reeksen tekens. De zin die je leest, kan zijn opgeslagen als een dozijn losse reeksen op berekende coördinaten, en de ruimte tussen twee woorden kan een afwezigheid van inkt zijn in plaats van een spatie. Elke converter van PDF naar tekst en van PDF naar Word, deze inbegrepen, reconstrueert dus: reeksen groeperen per basislijn om regels terug te vinden, alinea-grenzen raden, koppen afleiden uit lettergrootte. Bij gewone proza werkt dat goed, en kolommen en tabellen worden platgeslagen, omdat de informatie om ze te behouden nooit in het bestand stond.

Het tweede wat je moet weten, is dat “PDF” twee totaal verschillende situaties dekt. Een PDF die uit Word of een browser is geëxporteerd, bevat echte tekst die je kunt doorzoeken en kopiëren. Een PDF van een scanner of een telefooncamera bevat foto’s van pagina’s en helemaal geen tekst — de woorden zijn pixels, en niets kan ze eruit halen zonder tekenherkenning. Deze site herkent dat geval en draait een AI-herkenningsmodel op je eigen computer in plaats van het bestand te uploaden, en dat is ongewoon: OCR is normaal het punt waarop een converter je document naar een server stuurt.

Bij PDF’s houdt privacy ook op abstract te zijn. Het is het formaat waarin contracten, loonstroken, bankafschriften, brieven van artsen, facturen en gescande identiteitsbewijzen reizen. Elke conversie hier draait binnen de pagina — de PDF wordt geopend, gerenderd en gelezen door code in je browser, en geen enkel verzoek bevat het bestand. Daarom is deze converter gebouwd zoals hij is, en PDF is de categorie waar dat het meest telt.

PDF-tools

Bewerkingen op paginaniveau — geen conversie. Alle 14 draaien op je apparaat.

PDF naar andere formaten converteren

Andere formaten naar PDF converteren

PDF — veelgestelde vragen

Waarom ziet PDF naar Word er nooit goed uit?

Omdat een PDF geplaatste tekens opslaat, geen structuur. Converteren betekent alinea’s, koppen en leesvolgorde afleiden uit coördinaten, en een tabel of een opmaak met twee kolommen die nooit als zodanig is vastgelegd, valt niet terug te halen. Een converter die de opmaak beter behoudt, doet dat door de pagina op een server met een volledig kantoorpakket te renderen — en moet je bestand dus ontvangen.

Hoe zie ik of mijn PDF gescand is?

Probeer in een PDF-lezer tekst te selecteren. Kun je woorden selecteren en kopiëren, dan heeft het bestand een tekstlaag. Tekent je cursor in plaats daarvan een kader over een afbeelding, dan is het een scan en heeft elke tekstextractie tekenherkenning nodig.

Uploadt de OCR hier mijn document?

Nee. Heeft een PDF geen tekstlaag, dan wordt een AI-herkenningsmodel — een neuraal netwerk met vijf miljoen parameters — naar je browser gedownload en daar uitgevoerd. De eerste keer ongeveer 21 MB, daarna uit de cache. Elke concurrerende converter die OCR biedt, stuurt het bestand in plaats daarvan naar een server.

Hoe nauwkeurig is de herkenning?

Ongeveer 98% van de tekens bij schone gedrukte documenten in onze eigen tests, voor Chinees en Engels. Echte scans zijn lastiger — stempels, handschrift, een lage resolutie en een scheef ingevoerde pagina verlagen het allemaal. Zie het resultaat als een concept dat je met het origineel vergelijkt.

Waarom is de grens voor PDF’s zoveel lager dan voor video?

80 MB, omdat pagina’s als bitmaps op volle resolutie in het geheugen worden gerenderd, en die kosten worden in pixels gemeten en niet in hoe goed de PDF was gecomprimeerd. Een videoconversie stroomt door het bestand heen; een PDF-pagina moet in één keer als raster bestaan.

Welke PDF-conversie moet ik kiezen?

TXT als je de woorden wilt doorzoeken of plakken. DOCX als je wilt bewerken en het verlies van de opmaak kunt accepteren. JPG of PNG als de pagina er precies zo uit moet zien als nu — JPG voor fotografische scans, PNG voor tekst en diagrammen.

Kan ik afbeeldingen omzetten in een PDF?

Ja, en verliesvrij: PDF bevat JPEG- en PNG-gegevens rechtstreeks, dus de afbeelding wordt precies ingesloten zoals ze is in plaats van opnieuw gecomprimeerd. De pagina die ontstaat, volgt de pixelafmetingen van de afbeelding in plaats van op A4 te worden gepast.

Worden PDF’s met een wachtwoord ondersteund?

Nee. Een versleutelde PDF kan niet worden geopend om te lezen of te renderen, en de taak mislukt met een melding die dat zegt in plaats van lege pagina’s op te leveren. Verwijder eerst het wachtwoord in een PDF-lezer.