PDF in HTML umwandeln und im Browser lesen

„PDF zu HTML“ erzeugt eine einzige .html-Datei mit dem Text jeder Seite und Links zu den Seiten. „Ressourcen einbetten“ fügt ein Bild jeder Seite in die Datei ein, macht sie aber deutlich größer. Ein Scan ohne OCR zeigt „(leere Seite)“.

Manchmal ist ein Dokument im Browser praktischer als in einem PDF-Viewer: Sie finden ein Wort mit Strg+F, kopieren einen Absatz oder schicken eine Datei, die sich auf jedem Gerät öffnen lässt. Genau dafür gibt es das Werkzeug PDF zu HTML: Es holt den Text aus der PDF und legt ihn Seite für Seite in einer einzigen HTML-Datei ab.

Wichtig ist, vorher zu wissen, was dabei herauskommt. Das Ergebnis ist eine Kopie zum Lesen und Durchsuchen, keine gestaltete Webseite. Im Folgenden erfahren Sie, was in der Datei landet, wie die beiden Einstellungen des Werkzeugs wirken, was bei Scans zu tun ist und wie Sie das Ergebnis schnell prüfen.

Was am Ende herauskommt

Das Ergebnis ist eine einzige `.html`-Datei, kein ZIP-Archiv mit einem Bilderordner. Standardmäßig heißt sie `converted_` plus Name der Quell-PDF; einen anderen Namen tragen Sie im Feld „Name der Ausgabedatei“ ein. Stile und Bilder (falls aktiviert) stecken in der Datei selbst. Sie lässt sich daher offline öffnen, an eine E-Mail hängen oder auf einen USB-Stick kopieren, ohne dass etwas fehlt.

In der Datei wird jede PDF-Seite zu einem eigenen Block mit einer Überschrift wie „Seite 1“, „Seite 2“ und so weiter. Der Seitentext erscheint in einer Festbreitenschrift und behält Zeilenumbrüche und Einrückungen des Originals. Die Beschriftungen „Seite N“ und andere Hinweise stehen in der Sprache, in der die Website geöffnet ist.

Zuerst prüfen, ob die PDF Text enthält

Das Werkzeug erkennt keine Buchstaben in Bildern, sondern nutzt die vorhandene Textebene der PDF. Das lässt sich leicht testen: Öffnen Sie die PDF, markieren Sie einen Satz und fügen Sie ihn in einen beliebigen Texteditor ein. Erscheinen normale Wörter, ist eine Textebene vorhanden. Lässt sich nichts markieren oder kommt nur Zeichensalat heraus, sieht das HTML genauso aus.

Der typische Problemfall ist ein Scan oder ein Foto eines Dokuments. Eine solche PDF wird ohne Fehlermeldung umgewandelt, doch in jedem Block steht statt Text „(leere Seite)“. Es gibt zwei Wege:

• Zuerst OCR-PDF ausführen: Das Werkzeug legt eine unsichtbare Textebene über den Scan. Laden Sie die erkannte PDF herunter und laden Sie genau diese Datei in „PDF zu HTML“ hoch. Die Zeilen des erkannten Textes bleiben erhalten, die Ausrichtung mit Leerzeichen nicht: Spalten und Tabellenzellen sind dann nur durch einzelne Leerzeichen getrennt. Ausführlich zur Texterkennung: Text in einem gescannten PDF per OCR erkennen.
• Brauchen Sie den Text nicht und wollen den Scan nur im Browser lesen, aktivieren Sie „Ressourcen einbetten“. Die Seiten erscheinen dann als Bilder, die Datei wird aber deutlich schwerer, und die Wortsuche funktioniert nicht.

Schritt für Schritt umwandeln

1. Öffnen Sie „PDF zu HTML“ und ziehen Sie die PDF in den Upload-Bereich oder klicken Sie auf „oder auf dem Gerät auswählen“. Pro Durchlauf wird eine Datei verarbeitet. 2. Tragen Sie im Block „Parameter“ bei Bedarf einen Namen unter „Name der Ausgabedatei“ ein. 3. Entscheiden Sie, ob Sie Seitenbilder brauchen – dafür ist „Ressourcen einbetten“ zuständig (standardmäßig aus). 4. Lassen Sie „Navigation einfügen“ aktiviert oder deaktivieren Sie die Option (standardmäßig an). 5. Klicken Sie auf „Datei verarbeiten“, warten Sie das Ende ab und klicken Sie auf „Herunterladen“.

Ist die PDF mit einem Öffnen-Passwort geschützt, bricht die Verarbeitung mit einem Hinweis auf das Passwort ab. Entfernen Sie zuerst den Schutz; wie das geht, wenn Sie das Passwort kennen, steht in Passwort aus geschütztem PDF entfernen. Grenzen für Dateigröße und Seitenzahl werden direkt auf der Werkzeugseite angezeigt.

Nur Text: „Ressourcen einbetten“ ausgeschaltet

So arbeitet das Werkzeug standardmäßig, und für die meisten Aufgaben genügt das: Die Datei ist leicht, der Text lässt sich durchsuchen, markieren und kopieren. Erwarten Sie aber keine Wiederherstellung der ursprünglichen Seitengestaltung. Der Text wird ungefähr so angeordnet, wie er auf dem Blatt stand. Das bedeutet:

• Zwei Spalten laufen nebeneinander in denselben Zeilen: erst eine Zeile der linken Spalte, dann nach einer Reihe Leerzeichen eine Zeile der rechten;
• Tabellenspalten werden nur durch Leerzeichen zusammengehalten, eine echte HTML-Tabelle entsteht nicht;
• Kopf- und Fußzeilen sowie Seitenzahlen bleiben im Text jeder Seite stehen.

Auf einem breiten Bildschirm liest sich diese Anordnung recht gut. Auf dem Handy brechen lange Zeilen um, und die Spalten können durcheinandergeraten. Ist ein Dokument zweispaltig gesetzt und wird es auf Smartphones gelesen, prüfen Sie vorher eine solche Seite.

Seitenbilder: wann „Ressourcen einbetten“ sinnvoll ist

Der Name der Option ist nicht ganz eindeutig: Mit „Ressourcen“ sind hier Bilder der Seiten gemeint. Ist sie aktiviert, erscheint über dem Text jeder Seite ein Bild dieser Seite im PNG-Format, direkt in das HTML eingebettet. Der Text darunter bleibt erhalten; Suchen und Kopieren funktionieren also überall dort, wo die PDF eine Textebene hat.

Das lohnt sich, wenn die Aussage am Aussehen hängt: ein Schaltplan in einer Anleitung, eine Zeichnung, Stempel und Unterschrift, Formeln, eine komplexe Tabelle. In einer Gerätebeschreibung etwa fehlt der Schaltplan auf Seite zwei in der Textfassung ganz – übrig bleiben nur seine Beschriftungen.

Der Preis ist die Dateigröße. Jedes Bild fügt Daten hinzu, und die Datei wird um ein Vielfaches größer als die reine Textfassung. Ein langes Dokument mit Bildern kann das Anhangslimit eines E-Mail-Postfachs überschreiten oder auf einem schwachen Handy langsam laden. Das Bild bleibt ein Bild: Der Schaltplan wird nicht zu bearbeitbarer Webgrafik.

Navigation zwischen den Seiten

„Navigation einfügen“ setzt oben in die Datei eine Leiste mit Links: „Seite 1“, „Seite 2“ und so weiter. Die Leiste ist fixiert. Beim Scrollen bleibt sie am oberen Bildschirmrand, und jede Seite ist einen Klick entfernt.

Die Links führen zu Seiten, nicht zu Kapiteln; das Inhaltsverzeichnis des Originals wird nicht nachgebaut. Bei Dokumenten mit Hunderten Seiten wächst die Leiste auf mehrere Zeilen und belegt auf dem Handy einen spürbaren Teil des Bildschirms. Deaktivieren Sie dann „Navigation einfügen“ und springen Sie über die Suche des Browsers an die gewünschte Stelle.

Ergebnis prüfen und typische Fehler erkennen

Öffnen Sie die heruntergeladene Datei per Doppelklick – sie erscheint in Ihrem Standardbrowser. Danach:

• Drücken Sie Strg+F (auf dem Mac Cmd+F) und suchen Sie ein bekanntes Wort aus der Mitte des Dokuments;
• markieren und kopieren Sie einen Absatz und fügen Sie ihn in einen Editor ein;
• scrollen Sie durch eine Seite mit Tabelle oder Spalten;
• folgen Sie bei aktivierter Navigation den Links zu Anfang, Mitte und Ende des Dokuments.

Was häufig schiefgeht und woran Sie es erkennen:

• „(leere Seite)“ auf allen oder fast allen Seiten – die PDF ist ein Scan ohne Textebene, OCR ist nötig;
• „(leere Seite)“ nur auf einzelnen Seiten – dort ist entweder wirklich ein leeres Blatt oder ein eingefügtes Bild, etwa ein gescannter Anhang;
• Wörter aus zwei Spalten sind vermischt – eine Folge der Anordnung; vergleichen Sie mit dem Seitenbild oder der PDF;
• die Datei ist viel zu groß – wandeln Sie erneut um, diesmal mit ausgeschaltetem „Ressourcen einbetten“.

Brauchen Sie nur den Text ohne Auszeichnung, ist PDF zu Text bequemer: Es speichert eine einfache `.txt`-Datei.

Vor der Veröffentlichung auf einer Website

Die umgewandelte Kopie ist keine fertige Webseite. Ihre Überschriften lauten „Seite N“ statt der Abschnitte des Dokuments, Tabellen halten nur über Leerzeichen zusammen, und auch die Seitenbilder sind lediglich mit „Seite N“ beschriftet, ohne Beschreibung des Inhalts. Die im Seitencode angegebene Sprache entspricht der Sprache der Website, auf der Sie umgewandelt haben, nicht der Sprache des Dokuments.

Für eine Veröffentlichung übertragen Sie den Text in den Editor Ihrer Website, setzen echte Überschriften, bauen die Tabellen neu auf, beschreiben die Bilder und prüfen die Darstellung auf einem kleinen Bildschirm. Bewahren Sie die Quell-PDF zum Abgleich auf und geben Sie der HTML-Datei einen eindeutigen Namen, damit niemand sie für eine neue Fassung des Dokuments hält.