Warum Text aus einer PDF extrahieren?
Text aus einem PDF-Reader zu kopieren, geht oft schief: Zeilen brechen mitten im Satz um, Spalten werden vermischt, und 50 Seiten von Hand zu markieren ist mühsam. Dieses Tool liest den Text des gesamten Dokuments auf einmal und liefert Ihnen sauberen, reinen Text. Nutzen Sie ihn, um ein Dokument in eine E-Mail oder ein Übersetzungstool einzufügen, einen Bericht zu zitieren, Text an ein anderes Programm weiterzugeben, Wörter zu zählen oder eine durchsuchbare Textkopie eines Dokuments aufzubewahren.
Drei Textmodi
- Zeilen: der Text Zeile für Zeile, so wie er auf der Seite steht. Gut für Listen, Adressen und kurze Dokumente.
- Absätze: zusammengehörige Zeilen werden zu Absätzen verbunden, und am Zeilenende getrennte Wörter werden nach Möglichkeit wieder zusammengesetzt. Am besten für Artikel, Bücher und Berichte, die Sie in eine Textverarbeitung oder ein Übersetzungstool einfügen möchten.
- Layout: Es werden Leerzeichen eingefügt, damit die Position des Textes auf der Seite erhalten bleibt. So bleiben Tabellen und Spalten in einer Festbreitenschrift ungefähr ausgerichtet. Praktisch für Rechnungen, Kontoauszüge und Formulare.
Die Vorschau wird aktualisiert, sobald Sie den Modus ändern, und zeigt die Anzahl der Zeichen und Wörter an.
Dateioptionen
- Seitentrenner: eine Markierungszeile wie ----- Seite 3 -----, eine Leerzeile oder ein Seitenvorschubzeichen, das manche Programme als Seitenumbruch verwenden.
- Zeilenenden: Windows (CRLF) für Editor und die meisten Windows-Programme oder Unix (LF) für macOS, Linux und Code-Editoren.
- BOM: fügt am Dateianfang eine Markierung hinzu, damit ältere Windows-Programme UTF-8-Text in Sprachen wie Chinesisch oder Russisch richtig erkennen.
- Eine Datei pro Seite: Jede Seite wird in einer eigenen TXT-Datei gespeichert, alle zusammen in einer ZIP-Datei.
Gescannte PDFs
Eine gescannte PDF enthält nur Bilder der Seiten, daher gibt es keinen Text zu extrahieren. Das Tool erkennt Seiten ohne Text und weist Sie darauf hin. Mit einem Klick können Sie das Dokument an OCR PDF senden, das den Text erkennt und direkt als TXT-Datei ausgeben kann. Die Textextraktion selbst läuft in Ihrem Browser und lädt Ihre Datei nicht hoch; die OCR läuft auf unserem Server.
Was reiner Text nicht abbilden kann
Reiner Text kennt keine Schriftarten, Fettdruck, Bilder oder Tabellen. Wenn Sie die Formatierung benötigen, wandeln Sie die Datei mit PDF in Word in ein bearbeitbares Dokument um oder übernehmen Sie Tabellen mit PDF in Excel in eine Tabellenkalkulation. Manche PDFs speichern Text mit ungewöhnlichen Schriftkodierungen, sodass der extrahierte Text falsche Zeichen enthält; in diesem Fall liefert die OCR meist das bessere Ergebnis.