PDF to Text

Wie man Text aus einer PDF extrahiert

1. Eine PDF auf den Upload-Bereich ziehen oder auf das gestrichelte Feld klicken, um zu durchsuchen. Die Datei wird in einen ArrayBuffer geladen und an PDF.js übergeben.
2. Einen Moment warten. Der Extraktor durchläuft jede Seite und zieht Textelemente aus jedem Inhaltsstrom; für ein typisches 20-seitiges Geschäftsdokument dauert das deutlich unter einer Sekunde.
3. Die Ausgabe im rechten Textbereich lesen. Seiten werden durch eine Leerzeile und eine "--- Seite N ---"-Markierung getrennt, sodass du siehst, wo jede Seite beginnt.
4. Kopieren oder herunterladen. Verwende die Zwischenablage-Schaltfläche für die schnelle Wiederverwendung in einem anderen Tab, oder die Download-Schaltfläche, um eine .txt-Datei als UTF-8 kodiert zu speichern, die sich in jedem Editor sauber öffnet.

Wie die Textschicht-Extraktion funktioniert

Dieses Tool lädt deine Datei mit pdfjs-dist, dem Parser, der den integrierten PDF-Viewer von Firefox antreibt. Für jede Seite ruft es page.getTextContent() auf, das den Inhaltsstrom durchläuft und jeden "Tj"-, "TJ"-, "'"- und "-Operator sammelt (die in ISO 32000-2 Klausel 9.4 definierten PDF-Textzeige-Operatoren). Jeder Operator erzeugt ein Textelement mit seiner Glyph-Zeichenkette, dem Schriftartenwörterbuch, mit dem es gemalt wurde, und seiner Transformationsmatrix. Der Extraktor fügt diese Elemente in Lesereihenfolge zusammen und errät Wort- und Zeilenumbrüche aus den Abständen zwischen Elementrahmen. Dies ist eine Textschicht-Extraktion: der Text muss bereits als kodierte Zeichen im Inhaltsstrom vorhanden sein. Wenn das Dokument ein gescanntes Bild ohne eingebetteten Text ist, gibt es nichts zu extrahieren; du benötigst OCR, das dieses Tool nicht durchführt.

Wann Textextraktion das Richtige ist

• Den Text eines Vertrags in ein NLP-Diff-Tool ziehen, um zwei Versionen wortweise zu vergleichen.
• Den Text einer Forschungsarbeit in einen Referenzmanager oder eine Zusammenfassungs-Pipeline einspeisen.
• Ein langes Zitat aus einer Lehrbach-PDF in ein Dokument kopieren, wo das Auswahlverhalten in deinem Reader unangenehm ist.
• Besprechungsprotokolle aus einem Jahrzehnte alten internen PDF-Archiv in ein Wiki exportieren, das nur Klartext akzeptiert.
• Einen schnellen grep über einen hundert-seitigen RFC ausführen, um Vorkommen eines bestimmten Begriffs zu zählen, bevor eine Zusammenfassung geschrieben wird.
• Eine Datenschutzrichtlinie auf bestimmte Formulierungen prüfen (Aufbewahrungsdauer, Datenweitergabe-Klauseln), die Compliance schnell finden muss.

Warum Extraktion manchmal fehlschlägt

Der häufigste Fehlschlag ist eine gescannte PDF: eine Datei, die wie Text aussieht, aber eine Folge von Bild-XObjects ohne Zeichencodes ist. Die Extraktion gibt leere oder fast leere Ausgabe zurück. Die Lösung ist OCR: ocrmypdf input.pdf output.pdf fügt eine unsichtbare Textschicht unter den Bildern hinzu, und das erneute Ausführen dieses Tools auf dem Ergebnis produziert echten Text. Weitere Probleme: benutzerdefinierte Schriftartkodierungen, die Glyph-Codes nicht auf Unicode abbilden, produzieren unlesbaren Output (häufig bei alten CAD-Exporten); mehrspaltige Seiten können verschachtelt herauskommen, weil PDF.js in Stream-Reihenfolge liest; Ligaturen wie "fi" können als einzelne Glyphe erscheinen; und Tabellen verlieren ihre Zellenstruktur und kommen als Ströme von ausgerichtetem Leerzeichen heraus.

Wie Text in einer PDF lebt

Eine PDF speichert Text als Folge von Markierungsoperatoren im Inhaltsstrom jeder Seite. Der Operator Tj malt eine Zeichenkette mit der aktuell aktiven Schriftart; der Operator Tf wählt diese Schriftart; Td und Tm positionieren die Textmatrix. Die Byte-Zeichenketten innerhalb von Tj sind Glyph-Codes, kein Unicode; ihre Zurückbildung auf Unicode-Zeichen erfordert eine ToUnicode-CMap im Schriftartenwörterbuch gemäß ISO 32000-2 Klausel 9.10. Gut erstellte PDFs betten diese CMap ein und die Extraktion liefert sauberes Unicode. Schlecht erstellte PDFs lassen sie weg oder verwenden implizite Zuordnungen, die PDF.js erraten muss. PDF/A (ISO 19005) schreibt vor, dass jede Schriftart eingebettet und jedes Zeichen einem Unicode-Code-Punkt zugeordnet werden muss, genau damit Archivdokumente Jahrzehnte später noch extrahiert werden können; das ist der Grund, warum Akademiker und Gerichte, die PDF/A vorschreiben, bei langfristigen Dateien sauberere Extraktionsergebnisse erzielen.

Alternativen zur browserseitigen Extraktion

Für digital-native PDFs ist pdftotext input.pdf - aus der Poppler-Suite das Befehlszeilen-Äquivalent und verarbeitet Unicode sauber. mutool draw -F txt input.pdf von MuPDF erhält manchmal die Lesereihenfolge bei mehrspaltigen Layouts besser, wo pdftotext scheitert. Für gescannte Dokumente ist die kanonische Pipeline ocrmypdf --language deu --force-ocr input.pdf output.pdf, gefolgt von pdftotext output.pdf -; dies bettet eine Textschicht ein, sodass jede zukünftige Extraktion funktioniert. Pythons pdfminer.six fügt programmgesteuerte Steuerung hinzu, die sich für die Tabellenextraktion auszahlt. Das Browser-Tool gewinnt bei der einmaligen Extraktion ohne Installation; für jede wiederkehrende Stapelverarbeitung wechsle zu pdftotext oder pdfminer.six in einem Skript.