So verwenden Sie PDF in Text
- 1
PDF öffnen
Ziehen Sie eine PDF-Datei mit bis zu 50 MB auf das Feld oder klicken Sie, um eine auszuwählen. Bei passwortgeschützten Dateien wird zuerst das Passwort abgefragt.
- 2
Textlayout wählen
„Absätze“ liefert sauberen Fließtext zum Lesen oder Einfügen; „Seitenlayout“ behält jede gedruckte Zeile bei und richtet Tabellenspalten mit Leerzeichen aus.
- 3
Seiten und OCR festlegen
Extrahieren Sie alle Seiten oder einen Bereich wie 2-5, 9. Schalten Sie „OCR verwenden“ ein und wählen Sie die Sprache, falls einige Seiten Scans ohne Textebene sind.
- 4
Kopieren oder herunterladen
Klicken Sie auf „Text extrahieren“, prüfen Sie das Ergebnis im Feld und kopieren Sie es dann in die Zwischenablage oder speichern Sie es als UTF-8-.txt-Datei.
Limits und Pro
Eine PDF-Datei mit bis zu 50 MB und bis zu 200 Seiten pro Extraktion, einschließlich OCR.
Mit Pro öffnen Sie PDFs mit bis zu 4 GB und lesen bis zu 5.000 Seiten auf einmal. Pro ansehen
Über PDF in Text
Dieses Tool liest die Textebene, die die meisten PDFs enthalten, also dieselben Zeichen, die Sie in einem PDF-Viewer markieren könnten, und bringt sie in die Reihenfolge, in der ein Mensch sie lesen würde. Wer direkt aus einem Viewer kopiert, erhält oft die zwei Spalten eines Artikels Zeile für Zeile vermischt, jeder Satz wird am Ende einer gedruckten Zeile umgebrochen, und mitten in Wörtern bleiben Trennstriche stehen. Hier werden die Seiten zuerst in Spalten und Blöcke aufgeteilt, umgebrochene Zeilen zu Absätzen verbunden und Wörter, die über zwei Zeilen getrennt waren, wieder zusammengesetzt. Aufzählungszeichen und Nummern bleiben am Anfang von Listenpunkten, und eine Tabelle wird als Zeilen mit einem Tabulator zwischen den Zellen ausgegeben, sodass sie sich in eine Tabellenkalkulation einfügen lässt. Eine einzelne Seitenzahl im oberen oder unteren Seitenrand wird weggelassen, ebenso gedrehter oder senkrechter Text wie ein diagonales „DRAFT“-Wasserzeichen.
Der Modus „Seitenlayout“ macht das Gegenteil: Er behält jede Zeile genau dort, wo sie gedruckt war, und hält mit Leerzeichen die Spalten eines Formulars, einer Rechnung oder eines Kontoauszugs an ihrem Platz.
Gescannte Seiten haben keine Textebene, sondern nur ein Bild des Papiers. Ist OCR eingeschaltet, werden nur diese Seiten von der Tesseract-Engine in Ihrem Browser gelesen, in einer von 47 Sprachen. Typische Einsatzzwecke sind das Zitieren aus einem Bericht, das Übergeben eines Vertrags an einen Übersetzer oder eine Wortzählung und das Herausziehen von Zahlen aus einem Kontoauszug. Schriften, Farben, Bilder und Links sind nicht Teil der Ausgabe; wandeln Sie dafür die PDF stattdessen in Word um.
Datenschutz
PDF.js verarbeitet das Dokument in einem Web Worker auf Ihrem Gerät, und ein zweiter Worker ordnet die Zeilen zu Absätzen an; die PDF-Datei und ihr Text werden nicht hochgeladen. Nur wenn Sie OCR einschalten, lädt die Seite einmalig die Tesseract-Engine und eine Sprachdatei vom jsDelivr-CDN, und diese Downloads enthalten nichts aus Ihrem Dokument.
Funktionen
Spalten in Reihenfolge
Zwei- und dreispaltige Layouts werden Spalte für Spalte gelesen, nicht Zeile für Zeile quer über die Seite.
Echte Absätze
Umgebrochene Zeilen werden verbunden, und Wörter, die am Zeilenende getrennt waren, werden wieder zusammengesetzt.
Tabellen zum Einfügen
Tabellenzeilen werden mit Tabulatoren getrennt ausgegeben, bereit für eine Tabellenkalkulation, oder im Seitenlayout mit Leerzeichen ausgerichtet.
OCR für Scans
Seiten ohne Textebene lassen sich mit Tesseract in 47 Sprachen lesen, auf Ihrem Gerät.