Text aus einem PDF extrahieren und als TXT speichern

Laden Sie das PDF in „PDF in Text“ hoch, wählen Sie den Modus und laden Sie eine UTF-8-TXT herunter. Scans zuerst mit OCR-PDF erkennen: Erkannte Seiten landen in beiden Modi in der TXT, aber „Layout“ arbeitet auf ihnen wie „einfach“.

Das Werkzeug PDF in Text liest die Textebene eines PDF aus und speichert sie als TXT-Datei in UTF-8. Diese Datei lässt sich durchsuchen, zitieren, in andere Programme importieren oder per Skript weiterverarbeiten. Bilder, Schriften, Farben und Tabellenzellen werden nicht übernommen: Es bleiben Zeichen, Zeilenumbrüche und einige Hilfszeilen, die die Seiten kennzeichnen.

Eine Texterkennung ist in „PDF in Text“ nicht eingebaut. Bestehen die Seiten aus Scans oder Fotos, brauchen Sie zuerst einen eigenen OCR-Schritt und erst danach die Extraktion. Im Folgenden finden Sie die Schritte, den Unterschied zwischen den Modi und den Aufbau der fertigen Datei.

Prüfen, ob das PDF Text enthält

Öffnen Sie das PDF in einem beliebigen Viewer und markieren Sie einen Satz. Lassen sich einzelne Wörter auswählen und in einen einfachen Texteditor einfügen, gibt es eine Textebene. Wird nur die ganze Seite wie ein Bild markiert, handelt es sich um einen Scan.

Prüfen Sie mehrere Seiten, nicht nur die erste. In einer Datei stehen oft aus Word gespeicherte Seiten neben eingescannten Anlagen mit Unterschriften und Stempeln. Warum sich Text nicht markieren lässt und welche Ursachen dahinterstecken, erklärt der Artikel Warum sich Text in einer PDF nicht markieren und kopieren lässt.

Eine Datei, die sich nur mit Passwort öffnen lässt, lehnt das Werkzeug mit einem entsprechenden Hinweis ab. Entfernen Sie das Passwort zuerst, wie in Passwort aus geschütztem PDF entfernen beschrieben.

Schritt für Schritt extrahieren

1. Öffnen Sie PDF in Text und ziehen Sie die Datei in den Upload-Bereich oder wählen Sie sie auf Ihrem Gerät aus. Pro Durchlauf wird ein PDF verarbeitet. 2. Wählen Sie im Block „Parameter“ unter „Textmodus“ entweder „einfach“ (Standard) oder „Layout“. 3. Entscheiden Sie, ob Sie das Kästchen „Seitenumbrüche“ brauchen. Es ist standardmäßig aktiviert. 4. Das Feld „Name der Ausgabedatei“ können Sie leer lassen; der Name wird dann automatisch vergeben. 5. Klicken Sie auf „Datei verarbeiten“, warten Sie bis zum Ende und laden Sie die TXT-Datei herunter. 6. Öffnen Sie das Ergebnis in einem Editor mit UTF-8-Unterstützung und lesen Sie die Hinweise, falls neben dem Ergebnis welche erscheinen.

Welchen Modus wählen: „einfach“ oder „Layout“

Der Modus „einfach“ gibt den Text in der Reihenfolge aus, in der er in der Datei gespeichert ist, ohne ausrichtende Leerzeichen. Bei Briefen, Verträgen und Artikeln aus einem Textprogramm entspricht diese Reihenfolge meist der Lesereihenfolge. Der Modus „Layout“ bildet die Position auf der Seite nach: Er setzt Leerzeichen und Leerzeilen so, dass die Wörter ungefähr dort stehen, wo sie auf dem Blatt stehen.

An einer Preisliste wird der Unterschied deutlich. Angenommen, eine Tabellenzeile im PDF enthält die Artikelnummer AB-120, das Produkt „Kabel“ und den Preis 250. Im Modus „Layout“ bleibt die Tabellenzeile eine Zeile: Nummer, Bezeichnung und Preis stehen nebeneinander, getrennt durch Leerzeichen. Im Modus „einfach“ kann derselbe Ausschnitt spaltenweise erscheinen – erst alle Nummern, dann alle Bezeichnungen, dann alle Preise –, wenn die Tabelle so in der Datei gespeichert ist. Dann geht die Zuordnung von Produkt und Preis verloren.

Bei zweispaltigem Text ist es umgekehrt. „Layout“ stellt die Spalten nebeneinander, sodass jede Zeile der TXT eine Zeile der linken Spalte und nach vielen Leerzeichen eine Zeile der rechten enthält. Am Stück lesen lässt sich das schlecht. „einfach“ liefert häufiger erst die ganze linke Spalte und dann die rechte. Im Zweifel verarbeiten Sie die Datei zweimal und vergleichen beide Ergebnisse auf derselben Seite.

Scans nach OCR: was die beiden Modi liefern

OCR-PDF lässt das Seitenbild unverändert und fügt eine unsichtbare Ebene mit dem erkannten Text hinzu. Der Modus „einfach“ liest diese Ebene vollständig, „Layout“ nur teilweise oder gar nicht. Deshalb prüft das Werkzeug im Modus „Layout“ jede Seite: Findet „Layout“ weniger als 80 % der Buchstaben und Ziffern, die „einfach“ findet, wird die Seite aus dem Modus „einfach“ übernommen. Die Wahl von „Layout“ macht erkannte Seiten also nicht mehr leer und löst keinen Hinweis aus, das PDF habe keine Textebene.

Der Preis dafür: Auf erkannten Seiten liefert „Layout“ dasselbe wie „einfach“, ohne nebeneinanderstehende Spalten und ohne ausrichtende Leerzeichen. Entschieden wird für jede Seite einzeln, daher behalten Seiten mit nativem Text in einer gemischten Datei die Anordnung von „Layout“. Für Scans gilt: Datei in OCR-PDF erkennen lassen, das PDF mit Textebene herunterladen und in „PDF in Text“ hochladen; der Modus kann auf „einfach“ bleiben. Wie Sie die Erkennungssprache wählen und die OCR-Qualität prüfen, steht in Text in einem gescannten PDF per OCR erkennen.

Was in der TXT-Datei landet

Jede Seite beginnt mit einer Markierungszeile: `--- Seite 1 ---`, `--- Seite 2 ---` und so weiter. Die Markierungen erscheinen in der Oberflächensprache der Website, über die Sie die Verarbeitung gestartet haben. Enthält eine Seite keinen Text, folgt auf die Markierung `(leere Seite)`. Mit dieser Zeile finden Sie gescannte Blätter in einem gemischten Dokument: Der Hinweis auf ein leeres Ergebnis erscheint nur, wenn keine einzige Seite Text enthält.

Das Kästchen „Seitenumbrüche“ fügt vor der Markierung jeder weiteren Seite ein Seitenvorschubzeichen ein (Form Feed, Code 0x0C, in Programmen meist als `\f` geschrieben). Editoren stellen es unterschiedlich dar: als Leerraum, als kleines Kästchen oder als FF bzw. ^L. Drucker und manche Programme verstehen es als Befehl, ein neues Blatt zu beginnen.

Wenn Sie das Kästchen deaktivieren, verschwindet nur dieses Zeichen. Die Seitenmarkierungen bleiben in jedem Fall erhalten, und das ist nützlich: Daran sehen Sie, von welcher Seite ein Zitat stammt.

Hilfszeilen aus dem Text entfernen

Stören die Markierungen, entfernen Sie sie mit Suchen und Ersetzen per regulärem Ausdruck. In Editoren wie VS Code, Notepad++ oder Sublime Text genügt das Muster `^--- Seite \d+ ---$` mit leerer Ersetzung. Das Seitenvorschubzeichen suchen Sie als `\f` oder `\x0C`. In Skripten teilen Sie den Text am besten an `\f` in Seiten auf: Bei aktivierten Seitenumbrüchen beginnt jedes Stück mit der Markierung seiner Seite.

Nach dem Text jeder Seite fügt das Werkzeug eine Leerzeile ein, die Sie ebenfalls entfernen können. Kopfzeilen, im Dokument gedruckte Seitenzahlen und wiederholte Tabellenköpfe bleiben dagegen stehen: Sie gehören zur Textebene. Löschen Sie sie erst, wenn Sie sicher sind, dass es sich wirklich um Wiederholungen und nicht um benötigte Angaben handelt.

Häufige Probleme und wie Sie sie erkennen

Das Ergebnis vor der Verwendung prüfen

Lesen Sie Anfang, Mitte und letzte Seite der TXT und vergleichen Sie sie mit dem PDF. Sehen Sie sich Fußnoten, Tabellen und Spalten gesondert an, denn dort gerät die Zeilenfolge am häufigsten durcheinander. Vergleichen Sie bei Zitaten jeden Auszug mit der Quellseite; deren Nummer verrät die Markierung. Bewahren Sie das PDF neben der TXT auf: Passt der Modus nicht, extrahieren Sie den Text einfach erneut im anderen Modus.

Warum ist meine TXT-Datei leer?

Dann enthält keine einzige Seite Text: Die Seiten sind Bilder ohne Textebene, und die Datei muss zuerst in OCR-PDF erkannt werden. Mit dem Modus hat das nichts zu tun: Die erkannte Ebene landet sowohl mit „einfach“ als auch mit „Layout“ in der TXT. Ist eine bereits erkannte Datei leer, prüfen Sie das OCR-Ergebnis – wahrscheinlich hat die Erkennung auf den Seiten keinen Text gefunden.

Wann wähle ich „Layout“ und wann „einfach“?

„einfach“ liefert fortlaufenden Text in der gespeicherten Reihenfolge und eignet sich für Artikel, Briefe und PDFs nach OCR. „Layout“ erhält die Positionen mit Leerzeichen: Tabellenzeilen bleiben Zeilen, zwei Textspalten stehen aber nebeneinander. Diese Anordnung erhält er nur bei nativem PDF-Text: Seiten nach OCR erscheinen wie im Modus „einfach“.

Entfernt das Deaktivieren von „Seitenumbrüche“ die Seitenmarkierungen?

Nein. Es verschwindet nur das Seitenvorschubzeichen (\f) zwischen den Seiten; Zeilen wie „--- Seite 2 ---“ bleiben in der TXT erhalten.

Erkennt „PDF in Text“ gescannte Seiten selbst?

Nein, dieses Werkzeug hat keine eingebaute OCR. Verarbeiten Sie den Scan zuerst in OCR-PDF, laden Sie das Ergebnis herunter und laden Sie diese Datei dann in „PDF in Text“ hoch. Jeder Modus funktioniert, erkannte Seiten erscheinen aber in beiden Fällen wie im Modus „einfach“.

In welcher Kodierung wird die TXT gespeichert?

In UTF-8. Aktuelle Editoren öffnen die Datei korrekt. Zeigt ein älteres Programm statt Umlauten seltsame Zeichen, öffnen Sie die Datei erneut und wählen Sie ausdrücklich UTF-8.