Warum sich Text in einer PDF nicht markieren und kopieren lässt

Lassen Sie die Datei durch „PDF in Text“ laufen. Leere Seiten in der TXT bedeuten Scan oder Text in Pfaden – dann hilft OCR. Eine Kopiersperre ohne Öffnungspasswort stört die Extraktion nicht. Zeichensalat behebt OCR erst, wenn die Seiten zu Bildern werden.

Am schnellsten finden Sie die Ursache, wenn Sie die Datei durch PDF in Text laufen lassen und sich die entstandene TXT-Datei ansehen. Das Werkzeug übernimmt die Textebene der PDF so, wie sie ist: Fehlt sie, bleibt die Datei fast leer; ist sie beschädigt, sehen Sie dieselben seltsamen Zeichen wie beim Kopieren. Dieses Ergebnis sagt mehr als eine ausgegraute Schaltfläche im Viewer.

Meist steckt eine von vier Ursachen dahinter: Die Seite ist ein Scan oder Foto, der Text wurde beim Export in Pfade umgewandelt, der Autor hat das Kopieren in den Sicherheitseinstellungen gesperrt, oder die Zuordnung zwischen Aussehen und Bedeutung der Buchstaben ist kaputt. Im Folgenden erfahren Sie, wie Sie jede Ursache erkennen und was hilft.

Beginnen Sie mit einer Zeile

Öffnen Sie die PDF, markieren Sie einen gewöhnlichen Satz und fügen Sie ihn in einen einfachen Texteditor ein. Suchen Sie nach einem Wort, das auf der Seite gut lesbar ist. Wiederholen Sie das auf einer anderen Seite: Ein Dokument kann gescannte Seiten und Seiten mit echtem Text mischen.

Notieren Sie das Ergebnis. Lässt sich gar nichts markieren, wird die ganze Seite als Block markiert, erscheinen zufällige Buchstaben, oder meldet der Viewer ausdrücklich, dass Kopieren nicht erlaubt ist? Diese Beobachtungen helfen mehr als die Dateigröße. Eine große PDF ist nicht zwingend ein Scan, eine kleine enthält nicht zwingend Text. Prüfen Sie auch, ob im Viewer das Textauswahl-Werkzeug aktiv ist und nicht die Hand zum Verschieben der Seite.

Was die TXT aus „PDF in Text“ verrät

Laden Sie die Datei hoch und starten Sie die Umwandlung mit den Standardeinstellungen. In der TXT beginnt jede Seite mit einer Markierung wie „--- Seite 3 ---“. Darunter steht eines von drei Dingen.

Eine leere Seite in der TXT bedeutet nicht, dass der Auftrag fehlgeschlagen ist: Das Werkzeug teilt Ihnen nur mit, dass es nichts zu extrahieren gab.

Die Seite ist ein Scan oder Foto

Die Buchstaben können Teil eines Bildes sein. Der Viewer zeichnet sie wie die Linien einer Tabelle, und die Extraktion macht aus einem Bild keine Zeichen. Hier brauchen Sie OCR-PDF: Es erkennt den Text und legt eine unsichtbare Ebene unter das Bild, danach funktionieren Suche und Kopieren.

Ehrlich vorweg: Im Feld „OCR-Sprache“ gibt es nur „automatisch“, „Englisch“ und „Russisch“. „automatisch“ liest Englisch und Russisch zusammen. Enthält das Dokument keinen russischen Text, wählen Sie „Englisch“: Im Modus „automatisch“ können lateinische Buchstaben als ähnlich aussehende kyrillische erkannt werden. Deutsch ist nicht dabei: Deutscher Text wird ohne eigenes Sprachmodell erkannt, und Umlaute oder das ß können verloren gehen oder durch andere Zeichen ersetzt werden. Für englische Dokumente funktioniert OCR gut; bei deutschen Texten müssen Sie das Ergebnis gründlich Korrektur lesen. Bei schiefen Scans aktivieren Sie die Option „Schräglage“ (sie richtet die Seite vor der Erkennung gerade), und unter „OCR-Qualität“ wählen Sie „präzise“, wenn Genauigkeit wichtiger ist als Tempo.

Die Erkennungsqualität hängt von der Vorlage ab. Kleine Schrift, Schräglage und Rauschen erzeugen Fehler, besonders in Zahlen. Prüfen Sie bei einer Rechnung über 12.580 Euro Betrag, Nummer und Datum einzeln: Ein richtig erkannter Nachname reicht nicht, um der ganzen Seite zu vertrauen. Gibt es einen schärferen Scan, beginnen Sie damit. Mehr zu den Einstellungen finden Sie unter Text in einem gescannten PDF per OCR erkennen.

Der Text wurde in Pfade umgewandelt

Manchmal sieht eine Seite wie ein normal gesetztes Dokument aus, doch kein Buchstabe lässt sich markieren, und in der TXT steht „(leere Seite)“. Ein häufiger Grund: Beim Export aus einem Grafikprogramm oder bei der Druckvorbereitung wurde der Text in Pfade (Konturen) umgewandelt. Jeder Buchstabe ist nun eine Vektorform wie eine Linie oder ein Logo, und die Datei enthält keine Zeichen mehr. Bleiben die Buchstaben bei starker Vergrößerung scharf, ist es kein Scan, für das Kopieren macht das aber keinen Unterschied: Die Seite verhält sich wie ein Bild.

Auch hier hilft OCR. Öffnen Sie die Datei in PDF bearbeiten und klicken Sie auf „Text erkennen (OCR)“: Das Panel zeigt für jede Seite „hat Text“, „Scan“ oder „Zeichnung“. „Zeichnung“ steht für eine Seite ohne Text, aber mit viel Vektorgrafik, also typischerweise Text in Pfaden. Die Option „Seiten ohne Text“ wählt Scans und solche Seiten gemeinsam aus.

Kopieren ist durch Sicherheitseinstellungen gesperrt

Eine PDF kann sich ohne Passwort öffnen lassen und trotzdem das Kopieren verbieten: Der Autor hat Einschränkungen über ein Berechtigungspasswort gesetzt. Der Viewer graut „Kopieren“ dann aus oder meldet fehlende Rechte. Das ist etwas anderes als ein Öffnungspasswort, ohne das die Datei keine einzige Seite zeigt.

Öffnet sich die Datei ohne Passwort, extrahiert PDF in Text den Text sofort; vorher etwas zu entsperren ist nicht nötig. Wenn Sie direkt im Viewer kopieren möchten, entfernt PDF entsperren solche Einschränkungen: Lassen Sie das Feld „Passwort“ leer, das Berechtigungspasswort wird nicht gebraucht. Tun Sie das mit eigenen Dokumenten oder mit Dateien, die Sie verwenden dürfen. Einschränkungen können Teil einer Absprache mit dem Autor sein, und das Entsperren gibt Ihnen kein Recht, den Inhalt weiterzuverwenden.

Verlangt die Datei ein Passwort zum Öffnen, müssen Sie es kennen: Geben Sie es im Feld „Passwort“ ein. Das Werkzeug errät keine Passwörter. Ohne Passwort bitten Sie den Absender um eine zugängliche Fassung. Mehr zum Schutz lesen Sie unter Passwort aus geschütztem PDF entfernen.

Kopierter Text wird zu Zeichensalat

Eine PDF speichert das Aussehen eines Buchstabens getrennt von seiner Bedeutung. Ist die Zuordnungstabelle der Schrift unvollständig oder beschädigt, liest sich die Seite normal, in der Zwischenablage landet aber Unsinn. Meist liegt es an der Schrift oder an der Art des Exports. Die Datei in .txt umzubenennen, ändert nichts.

Am besten exportieren Sie das Dokument neu aus dem Ursprungsprogramm, mit eingebetteten Schriften. Fehlt die Quelldatei, beachten Sie eine Falle: OCR-PDF überspringt Seiten, die bereits eine Textebene mit mindestens 24 Zeichen ohne Leerzeichen haben, auch wenn diese Ebene Unsinn enthält. Der Auftrag läuft durch, aber solche Seiten bleiben, wie sie waren.

Der Ausweg: Machen Sie die Seiten zuerst zu Bildern. Lassen Sie die Datei durch PDF zu JPG laufen; Sie erhalten ein ZIP-Archiv mit einem Bild pro Seite. Laden Sie das ganze Archiv oder die entpackten Bilder in JPG zu PDF hoch und prüfen Sie die Seitenreihenfolge. Die neue PDF hat keine Textebene, deshalb erkennt OCR-PDF jede Seite. Links und Lesezeichen des Originals gehen dabei verloren, und die Datei kann größer werden; bewahren Sie das Original also auf. „JPG zu PDF“ nimmt pro Durchlauf nur eine begrenzte Zahl von Bildern an, und auch die Bilder aus einem ZIP zählen mit (das Limit steht auf der Seite des Tools). Bearbeiten Sie ein langes Dokument in Teilen und fügen Sie die entstandenen PDFs mit PDF zusammenführen zusammen. Der Umweg kostet mindestens drei Vorgänge aus Ihrem Tageslimit, in Teilen entsprechend mehr.

Prüfen Sie das ganze Ergebnis

Öffnen Sie danach die erste, eine mittlere und die letzte Seite. Suchen Sie ein Wort, kopieren Sie einen Satz und vergleichen Sie wichtige Werte mit dem Bild. Tabellen prüfen Sie gesondert: Vorhandener Text heißt nicht, dass die Zellen in der TXT richtig angeordnet sind.

Brauchen Sie den gesamten Text statt eines Zitats, gehen Sie zur Extraktion über: Wie Sie den Modus wählen und Seitenumbrüche einstellen, steht in der Anleitung Text aus einem PDF extrahieren und als TXT speichern. Bewahren Sie die Original-PDF neben dem Ergebnis auf und notieren Sie, wo Erkennung oder Zeilenfolge von Hand korrigiert werden mussten.

Wie erkenne ich, dass eine PDF ein Scan ist?

Lassen Sie die Datei durch „PDF in Text“ laufen. Steht unter den Markierungen „--- Seite N ---“ nur „(leere Seite)“, fehlt die Textebene: Es ist ein Scan, ein Foto oder Text in Pfaden. Verschwimmen die Buchstaben bei Vergrößerung, ist es höchstwahrscheinlich ein Scan.

Warum kommt nach OCR beim Kopieren immer noch Zeichensalat heraus?

OCR-PDF lässt Seiten unverändert, die schon eine Textebene mit mindestens 24 Zeichen ohne Leerzeichen haben, auch eine beschädigte. Machen Sie die Seiten zuerst mit „PDF zu JPG“ und „JPG zu PDF“ zu Bildern und starten Sie dann OCR.

Lässt sich eine Kopiersperre ohne Passwort aufheben?

Öffnet sich die PDF ohne Passwort und ist nur das Kopieren gesperrt, lassen Sie in „PDF entsperren“ das Feld „Passwort“ leer. Für die Extraktion mit „PDF in Text“ müssen Sie gar nicht entsperren. Ein Öffnungspasswort müssen Sie kennen. Gehen Sie so nur mit eigenen oder freigegebenen Dokumenten vor.

Welche Sprachen erkennt die OCR?

Im Feld „OCR-Sprache“ stehen „automatisch“, „Englisch“ und „Russisch“ zur Wahl. Deutscher Text wird ohne eigenes Sprachmodell erkannt, Umlaute und ß können verloren gehen. Lesen Sie solche Ergebnisse sorgfältig Korrektur.

Kann ich OCR-Text ungeprüft übernehmen?

Nein. Die Erkennung irrt bei kleiner Schrift, Schräglage und Rauschen, besonders bei Zahlen. Vergleichen Sie Beträge, Daten, Nummern und Namen mit dem Seitenbild.