Warum Text aus PDFs durcheinander oder lückenhaft herauskommt
Du hast den Text eines PDFs extrahiert, und etwas stimmt nicht: Zeilen brechen mitten im Satz ab, eine Tabelle ist zu einer langen Wortreihe geworden, zwischen zwei Absätzen steht eine Seitenzahl, oder ein ganzer Abschnitt fehlt. Meistens liegt das am PDF selbst. Ein PDF ist dafür gebaut, auf Papier richtig auszusehen – nicht dafür, seinen Text ordentlich zu halten. Hier die üblichen Ursachen und wie PDF to Text jeweils damit umgeht.
Zeilen, Trennstriche, Kopf- und Fußzeilen
Jede Zeile der Seite wird zu einer Textzeile. Ein Absatz kommt also als mehrere kurze Zeilen statt als eine lange, und ein am Zeilenende getrenntes Wort behält seinen Trennstrich („Kündigungs-“ und darunter „frist“). Kopf- und Fußzeilen gehören zur Seite; ein wiederkehrender Titel oder „Seite 3 von 10“ bleibt dort im Text stehen, wo er auf der Seite steht. Zeilen zusammenführen und wiederholte Fußzeilen löschen geht danach in jedem Texteditor schnell.
Spalten und Tabellen
Erkennbar zweispaltige Seiten werden Spalte für Spalte gelesen. Bei unregelmäßigeren Layouts, etwa einem Infokasten neben dem Haupttext, gilt die Reihenfolge, die das PDF selbst vorgibt – und die ist nicht immer die, die dein Auge wählen würde.
Tabellen sind die klassische Überraschung. Ein PDF weiß nicht, dass es eine Tabelle enthält; es kennt nur die Position jedes Textstücks. Jede Tabellenzeile wird zu einer Textzeile, die Zellen sind durch Leerzeichen getrennt. Eine Spaltenstruktur gibt es nicht, einen Export als Tabellenkalkulation auch nicht. Für Zahlen, mit denen du rechnen willst, plan etwas Nacharbeit ein.
Rechts-nach-links und andere Schriften
Arabische und andere von rechts nach links laufende Zeilen kommen in Lesereihenfolge heraus. Hindi (Devanagari), Chinesisch und Japanisch – auch vertikal gesetztes Japanisch – sowie gedrehter Text werden ebenfalls verarbeitet.
Fehlender Text und „Ein Teil des Textes konnte nicht gelesen werden.“
Manche PDFs zeichnen ihre Buchstaben mit einer Schrift, die nicht verrät, für welche Unicode-Zeichen diese Formen stehen; die „ToUnicode“-Zuordnung fehlt oder ist kaputt. Kopierst du aus so einer Datei in anderen Programmen, kommt meist ebenfalls Zeichensalat heraus. Statt dir eine Reihe sinnloser Symbole zu liefern, lässt PDF to Text diesen Text weg und zeigt den Hinweis Ein Teil des Textes konnte nicht gelesen werden.
Andere Seiten enthalten gar keinen Text, sondern nur Zeichnungen oder Text, der beim Erstellen der Datei in Formen umgewandelt wurde, etwa in Logos oder Grafikexporten. Solche Seiten nennt ein Hinweis oben, jeweils mit dem Grund.
Kopiersperren
Hat der Urheber des PDFs das Kopieren oder die Textextraktion abgeschaltet, zeigt und speichert PDF to Text den Text nicht und erklärt, warum. Diese Einstellung wird respektiert, und die Datei bleibt unverändert.
Kurze Checkliste
- Lies den Hinweis oben: Er listet Seiten ohne auswählbaren Text samt Grund auf.
- Vergleich die Zeichenzahl in der Infozeile mit deiner Erwartung; ein sehr niedriger Wert deutet auf Bilder oder Formen hin.
- Markier dieselbe Stelle in einem PDF-Betrachter; kommt auch dort Unsinn heraus, liegt es an der Schriftzuordnung.
- Bei Tabellen kopierst du die benötigten Zeilen und baust die Spalten in deiner eigenen Tabellenkalkulation neu auf.