PDF in bearbeitbares Word umwandeln

PDF in ein bearbeitbares Word umwandeln

Der Wunsch ist fast immer derselbe: in einem zugeschickten PDF sollen zwei Absätze korrigiert werden. Und der erste Versuch enttäuscht fast immer. Die Datei öffnet sich in Word, sieht perfekt aus, und der Cursor lässt sich nicht in den Text setzen. Das ist kein Umwandlungsfehler, sondern die Folge der Einstellung, die ab Werk gesetzt ist.

Voreingestellt kommt ein Bild heraus, kein Text

Das Werkzeug hat zwei Modi, und der Umschalter dazwischen heißt Ergebnistyp. Vorausgewählt ist der genaue, und er tut genau das, was er verspricht: er bewahrt das Aussehen der Seite Buchstabe für Buchstabe. Das Verfahren dahinter ist grob. Jede PDF-Seite wird zu einem Bild gerendert und als Ganzes ins Word-Dokument gesetzt.

Daher das Gefühl, vertauscht worden zu sein. Es ist ein .docx, es öffnet sich in Word, die Seiten stimmen in Größe und Ausrichtung mit dem Original überein, und zu bearbeiten gibt es nichts: auf der Seite liegen Bilder.

Der zweite Modus, der fließende, zerlegt die Seite und baut aus den Teilen ein echtes Word-Dokument: Absätze, Überschriften, Listen und Tabellen. Aufgegeben wird dafür die genaue Anordnung auf der Seite.

Die Wahl geht nicht um Qualität, sondern um die Aufgabe. Ein Dokument, das im gewohnten Bürodateiformat weiterwandern und unangetastet bleiben soll, will den genauen Modus. Ein Dokument, das sich ändern soll, will den fließenden, und keine Einstellung des genauen Modus führt zu bearbeitbarem Text.

Was in der genauen Datei steckt

Das Seitenbild ist nicht der ganze Inhalt. Darunter kommt zusätzlich der aus dem PDF gelesene Text, als verborgen markiert: am Bildschirm und im Druck fehlt er, die Suche im Dokument findet ihn aber.

Das macht den genauen Modus dort sinnvoll, wo er nutzlos wirkt. Ein Vertrag, der verteilt und später nach Formulierungen durchsucht wird, funktioniert so gut: das Aussehen bleibt, die Suche greift, versehentliche Änderungen gibt es nicht. Das Werkzeug sagt es nach der Verarbeitung selbst und weist darauf hin, dass das Dokument kein bearbeitbarer Text ist; diese Meldung sollte man lesen statt wegzuklicken.

Seitengröße und Ausrichtung stammen Seite für Seite aus dem Quell-PDF. Ein Querformatblatt mitten in einem Hochformatdokument bleibt quer.

So bekommen Sie ein Dokument, das sich bearbeiten lässt

1. Öffnen Sie pdf-to-word und laden Sie die Datei hoch. 2. Stellen Sie den Ergebnistyp auf fließend um. Das ist die entscheidende Handlung, und voreingestellt ist sie nicht. 3. Entscheiden Sie über die Seitenvorschauen, dazu weiter unten mehr, und schalten Sie sie bei Bedarf ab. 4. Starten Sie die Verarbeitung und laden Sie die .docx herunter. 5. Öffnen Sie das Dokument und gehen Sie den Navigationsbereich durch: er zeigt, welche Überschriften erkannt wurden. 6. Prüfen Sie die Tabellen und die erste Seite, dort fallen Verluste am ehesten auf.

Kopf- und Fußzeilen verschwinden mit Absicht

Der fließende Modus macht einen eigenen Durchgang durch das ganze Dokument und sucht nach wiederkehrenden Zeilen. Zwei Bedingungen gelten: die Zeile muss im oberen oder unteren Zehntel der Seite liegen und sich auf mindestens drei Seiten sowie auf mindestens der Hälfte des Dokuments wiederholen. Alles, was beides erfüllt, fliegt aus dem Ergebnis.

Der Vergleich ist dabei nicht naiv. Ziffernfolgen werden zusammengezogen, „Seite 4“ und „Seite 5“ gelten also als dieselbe Zeile. Das Zusammenziehen greift aber nur, wenn Buchstaben übrig bleiben: eine nackte Zahl am Fuß wird exakt verglichen, und drei verschiedene Ziffern auf drei Seiten sind einander nicht gleich. In der Praxis fällt eine Fußzeile „Vertraulich. Seite 7“ weg, während eine Fußzeile aus einer bloßen Ziffer als Absatz auf jeder Seite stehen bleibt.

An einem vierseitigen Bericht geprüft: die Zeile `Confidential report Page N` fehlt im fließenden Ergebnis und steht im genauen, wo die Seite ohnehin ein Bild ist und sich nichts daraus entfernen lässt.

Der Mechanismus hat auch eine Kehrseite. Ein Dokumenttitel, groß ganz oben auf jeder Seite und überall gleich, fällt unter dieselbe Regel und wird zusammen mit den Kopfzeilen gelöscht. Ist diese oberste Zeile wichtig, ist sie schneller neu getippt als die Ursache gesucht.

Überschriften entstehen aus der Schriftgröße

Die Überschriftenformate im Ergebnis werden nicht erfunden. Das Werkzeug ermittelt zuerst dokumentweit, welche Schriftgröße die Grundschrift ist. Gezählt werden Zeichen und nicht Zeilen, eine seltene große Zeile gewinnt die Abstimmung also nie.

Danach wird jeder Block an dieser Größe gemessen. Etwa 15 Prozent größer als die Grundschrift ergibt eine Überschrift zweiter Ebene, das Anderthalbfache und mehr die erste Ebene. Alles andere bleibt gewöhnlicher Absatz. Der Text muss zusätzlich wie eine Überschrift aussehen: ein langer Satz mit Punkt am Ende wird keine, in welcher Schrift auch immer.

Daraus folgt ein vorhersagbares Verhalten bei Dokumenten ohne Formatvorlagen. Ist der ganze Text in einem Grad gesetzt und sind die Abschnitte nur fett hervorgehoben, hat die Word-Datei gar keine Überschriften: die Größe unterscheidet sich nicht, es gibt nichts, woran man sich halten könnte. Der Navigationsbereich bleibt leer und die Struktur muss von Hand entstehen.

Tabellen werden zu Tabellen

Tabellen findet ein eigener Erkenner, derselbe, auf dem pdf-to-excel aufsetzt. Eine erkannte Tabelle landet als echte Word-Tabelle mit sichtbarem Gitter im Dokument und nicht als mit Leerzeichen aufgefüllte Absätze.

Textblöcke, die innerhalb der Grenzen einer erkannten Tabelle liegen, fallen aus dem Absatzstrom heraus; sonst stünde der Zelleninhalt zweimal da, einmal als Tabelle und einmal als Fließtext. Die Schwelle liegt bei sechs Zehnteln der Blockfläche.

Wo die Tabelle landet, entscheidet ihre Oberkante: sie wird vor dem ersten Absatz eingefügt, der unterhalb von ihr beginnt. Auf einer gewöhnlichen einspaltigen Seite ergibt das die richtige Reihenfolge. Auf einer zweispaltigen Seite kann die Tabelle woanders landen, weil die Absätze beider Spalten in der Datei nacheinander stehen, ihre Höhen sich aber verschränken.

Scheitert die Tabellenerkennung auf einer Seite, bricht die Aufgabe nicht ab: diese Seite kommt als gewöhnlicher Text durch, und die Antwort trägt einen Hinweis mit den Seitenzahlen. Eine stumme leere Antwort ist hier nicht möglich.

Dateigewicht und Seitenvorschauen

Der fließende Modus hängt voreingestellt hinter den Text jeder Seite ein Bild dieser Seite, damit es etwas zum Abgleichen gibt. Nichts sonst wirkt so stark auf das Gewicht.

An ein und demselben vierseitigen Dokument gemessen:

Das Quell-PDF wog etwa 4 KB. Der Abstand zwischen den äußeren Zeilen beträgt das Achtzehnfache, und er besteht ganz aus Bildern. Geht das Dokument in echte Arbeit und nicht in einen Abgleich, schalten Sie die Vorschauen gleich ab: sie lassen sich nicht bearbeiten, gehören nicht zum Text und stören beim Korrekturlesen.

Der genaue Modus beachtet diese Einstellung gar nicht, seine Seite ist ohnehin ein Bild.

Ein Scan ohne Textebene

Ein gescanntes Dokument ist ein Bild, herauszuholen gibt es daraus nichts. Im genauen Modus ist das Ergebnis derselbe Scan, neu verpackt als .docx. Im fließenden Modus kommen die Seiten leer heraus, mit einem Vermerk anstelle jeder Seite, dass sie leer war.

Die Abhilfe liegt vor der Umwandlung, nicht danach: schicken Sie die Datei durch ocr-pdf, holen Sie sich ein PDF mit Textebene und wandeln Sie erst dieses nach Word. Die umgekehrte Reihenfolge funktioniert nicht, weil dann nichts mehr da ist, worauf die Erkennung ansetzen könnte.

Ein mit Öffnungskennwort verschlossenes Dokument wandelt ebenfalls nicht; die Aufgabe hält an und verlangt das Kennwort. Nehmen Sie den Schutz mit unlock-pdf ab. Ein Kennwort, das nur Drucken oder Kopieren einschränkt, stört nicht.

Sind die Änderungen drin, muss das Dokument meist zurück ins PDF. Dafür gibt es word-to-pdf, mit einem eigenen Verhalten beim Ersetzen von Schriften, das man vorher kennen sollte.