Text aus PDFs gewinnen: Textdokumente und Scans unterscheiden
Für bearbeitbaren Text aus einem PDF klären Sie zuerst, was die Seite enthält: Text oder ein gescanntes Bild. Dieser Unterschied hilft bei der Wahl des Verfahrens und der Ergebnisprüfung, auch wenn die Seiten am Bildschirm gleich aussehen.
Zuerst einen Satz kopieren
Öffnen Sie das Dokument in einem PDF-Reader, markieren Sie einen Satz und fügen Sie ihn in einen einfachen Texteditor ein. Korrekter Text ist ein gutes Zeichen, keine Garantie für alle Seiten. Gelingt die Auswahl nicht, kann die Seite ein Bild sein; auch Einschränkungen oder ihre Struktur können die Extraktion verhindern.
OCR erkennt Zeichen in Bildern. Manche Scans enthalten bereits eine durch OCR erzeugte Textebene. Dass sie sich kopieren lässt, beweist nicht die Richtigkeit der Erkennung.
Quellen: pypdf — Extract Text from a PDF
Bearbeitbarer Text ist nicht das ursprüngliche Layout
Ein PDF kann Buchstabenpositionen beschreiben, ohne Absätze oder Tabellen wie eine Textverarbeitung abzubilden. Spalten, Abstände und Fußnoten benötigen deshalb nach der Extraktion womöglich eine Prüfung. Bearbeitbaren DOCX-Text zu erzeugen ist etwas anderes als das komplette Seitenlayout wiederherzustellen.
Quellen: pypdf — Extract Text from a PDF
Den Inhalt prüfen, nicht nur das Öffnen
Prüfen Sie je einen Absatz am Anfang, in der Mitte und am Ende. Kontrollieren Sie anschließend wichtige Details wie Name, Datum, Betrag und eine gemischt arabisch-englische Überschrift.
Ordnen Sie Tabellenwerte ihren Spaltenüberschriften zu. Eine verschobene Zahl kann mehr am Sinn ändern als ein Tippfehler. Prüfen Sie bei Arabisch Wörter, Zahlen und Satzzeichen, nicht nur die Absatzrichtung.
- Bewahren Sie das ursprüngliche PDF neben dem bearbeitbaren Dokument auf.
- Wenn nur ein Satz zu ändern ist und das Quelldokument vorliegt, bearbeiten Sie zuerst die Quelle.
- Ein Scan nur aus Bildern benötigt OCR; reine Textextraktion leistet das nicht.
- Laden Sie sensible Dokumente nicht zu einem Dienst hoch, der ihre Datenschutzanforderungen nicht erfüllt.
Eine wiederholbare Bearbeitungsprüfung
Kopieren Sie vor der Konvertierung einen Beispielsatz wie «Treffen: 12/10/2026 — Room B, 09:30». Suchen Sie ihn nach der Konvertierung, ändern Sie ein Wort, speichern Sie und öffnen Sie das Dokument erneut.
Prüfen Sie, ob Datum, Raum und Uhrzeit richtig angeordnet bleiben. Das belegt die Bearbeitbarkeit dieses Beispiels, nicht die Richtigkeit einer anderen Tabelle oder gescannten Seite.