PDF in Text umwandeln

Woher die Wörter kommen – und in welcher Reihenfolge

Die Zeichen in einem PDF sind nicht als Text gespeichert. Sie sind als Glyphennummern abgelegt, die auf eine eingebettete Schrift verweisen, und ob daraus wieder Buchstaben werden, hängt von einer Tabelle in der Datei ab, die angibt, welches Zeichen jede Glyphe darstellt. Die meisten Programme schreiben sie mit. Fehlt sie – und abgespeckte Schrift-Teilmengen aus mancher Design-Software sind der übliche Grund –, sieht die Seite auf dem Bildschirm perfekt aus und liefert beim Extrahieren Zeichensalat, weil die Information, die man zum Lesen braucht, nie aufgeschrieben wurde. Kein Extraktor kann das beheben; es fehlen schlicht Daten, es ist kein schwieriges Problem.

Prüfen Sie die Lesereihenfolge, bevor Sie dem Ergebnis vertrauen. Der Text kommt in der Reihenfolge heraus, in der die Seite ihn zeichnet – also so, wie das Programm, das das PDF erstellt hat, ihn zufällig ausgegeben hat –, und das ist häufig nicht die Reihenfolge, in der ein Mensch liest. Eine zweispaltige Seite wird oft sauber als linke und rechte Spalte extrahiert, oder aber mit ineinander verschachtelten Zeilen – je nachdem, wie sie erzeugt wurde. Kopf- und Fußzeilen, Seitenzahlen und Randspalten landen dort, wo sie gezeichnet wurden, meist mitten im Fließtext.

Ein paar kleine Artefakte sollte man kennen, statt darüber zu rätseln. Ligaturen kommen als das einzelne Zeichen heraus, das die Schrift tatsächlich verwendet hat – „finden“ kann also mit einer Glyphe statt mit f und i ankommen, und eine einfache Suche nach „finden“ findet es dann nicht. Wörter, die am Zeilenende getrennt wurden, bleiben getrennt, weil der Umbruch in der Datei tatsächlich existiert. Und gerade Anführungszeichen sind häufig typografische – wichtig, wenn der Text in Code oder eine CSV wandert.

Eine gescannte Seite liefert gar nichts, und das Tool sagt das auch, statt eine leere Datei zurückzugeben – in einem Foto eines Dokuments gibt es keine Zeichen, nur Pixel. Dasselbe gilt für Text, der in Konturen umgewandelt wurde, was Designer bewusst tun, damit eine Datei überall identisch gedruckt wird; dann ist er tatsächlich Grafik. Beides braucht OCR statt Extraktion.

Wenn Sie etwas anderes brauchen

Wenn es auf die Spalten ankommt, ist Popplers pdftotext -layout in.pdf out.txt besser als alles, was ein Browser leisten kann: Es bildet die visuellen Abstände mit echten Leerzeichen nach, sodass Spalten Spalten bleiben und eine Tabelle eine lesbare Tabelle. pdftotext -raw geht den umgekehrten Weg und liefert die unveränderte Zeichenreihenfolge – gelegentlich genau das, was ein Skript braucht.

Für Text aus Hunderten von Dateien sind mutool draw -F txt und Pythons pdfplumber die richtige Grundlage – vor allem pdfplumber liefert jedes Zeichen mit Koordinaten, Schrift und Größe, sodass Sie Kopf- und Fußzeilen nach Position herausfiltern können statt nach Gefühl. Das ist die Aufgabe, die diese Seite nicht erledigen kann, und bei großen Mengen ist es die entscheidende.