So funktioniert es
- Legen Sie Ihre PDFs ab.
- Wählen Sie Lesereihenfolge, Seitenbereich und Tabellenerkennung.
- Laden Sie TXT-, CSV- oder JSON-Dateien herunter.
Warum dieses Tool
- Behält die Lesereihenfolge oder das ursprüngliche Layout.
- Erkennt einfache Tabellen und exportiert jede als CSV.
- Strukturiertes JSON mit dem Text jeder Seite.
- Im Stapel mit ZIP-Download.
Text und Tabellen aus einem PDF herausholen
Hat Ihr PDF Text?
Ein aus Word, einer Webseite oder einem anderen Programm erzeugtes PDF speichert echten Text: Sie können ihn markieren, durchsuchen und kopieren. Ein Scan oder ein als PDF gespeichertes Foto speichert nur Bilder der Seiten, und es gibt keinen Text zum Extrahieren, bis ihn jemand liest. Die Vorschau sagt Ihnen, welche Art Sie haben: Meldet sie, dass keine Textebene gefunden wurde, nutzen Sie Bild in Text, das die Buchstaben in Scans erkennt, oder PDF in Word, das dasselbe tut und dabei das Dokument neu aufbaut.
Lesereihenfolge oder Layout
In einem PDF wird Text als Stücke gespeichert, die an Positionen auf der Seite platziert sind, nicht als Absätze, und die Reihenfolge der Stücke in der Datei ist oft nicht die, in der Sie lesen. Der Extraktor sortiert die Stücke nach ihrer Position: von oben nach unten und innerhalb einer Zeile von links nach rechts, wobei er Stücke verbindet, deren Grundlinien übereinstimmen.
- Lesereihenfolge, der Standard, liefert die Zeilen in der Reihenfolge, in der Sie sie lesen, mit einer Leerzeile überall dort, wo ein größerer Abstand einen neuen Absatz markiert.
- Layout behalten lässt jede Zeile, wo sie war, mit Leerzeichen anstelle der Lücken zwischen Spalten. Nutzen Sie es für Formulare, Rechnungen und alles, wo die Position eines Werts in der Zeile zählt.
Seiten mit zwei oder drei Textspalten sind für jeden Extraktor der schwierigste Fall. Kommen Zeilen benachbarter Spalten vermischt heraus, wandeln Sie mit PDF in Word um, das Spalten erkennt, und kopieren Sie von dort.
Tabellen
Mit Tabellen erkennen sucht der Extraktor nach Text, der über mehrere Zeilen in ausgerichteten Spalten steht, etwa Preislisten, Auszüge und Fahrpläne, und baut jede als Zeilen und Zellen neu auf. Mindestanzahl Zeilen, standardmäßig 3, legt fest, wie viele Zeilen übereinstimmen müssen, bevor etwas als Tabelle zählt; senken Sie sie für kurze Tabellen, erhöhen Sie sie, wenn gewöhnlicher Text für eine gehalten wird. Jede Tabelle lässt sich direkt aus der Vorschau als CSV kopieren und wird als eigene CSV-Datei gespeichert, die sich in Excel, Google Tabellen oder Numbers öffnet.
Einfache Raster funktionieren am besten. Tabellen mit verbundenen Zellen, Zeilenumbrüchen in Zellen oder mehreren Tabellen nebeneinander müssen danach in einer Tabellenkalkulation eventuell aufgeräumt werden.
Die Dateien, die Sie erhalten
- Nur Text (.txt), in UTF-8, sodass Umlaute, Arabisch und Chinesisch unversehrt ankommen.
- Ein CSV pro Tabelle, nach Nummer und Seite benannt, etwa table-01-page-3.csv, und so markiert, dass Excel Umlaute richtig liest.
- JSON, standardmäßig aus: jede Zeile jeder Seite mit Position und Textgröße, für Entwickler, die viele PDFs verarbeiten.
Für einen schnellen Blick auf eine einzelne Seite müssen Sie nichts herunterladen: Kopieren Sie den ganzen Text oder eine Tabelle aus der Vorschau.
Wenn etwas schiefgeht
- Es wurde keine Textebene gefunden. Das PDF ist ein Scan. Nutzen Sie Bild in Text oder PDF in Word mit Texterkennung.
- Der Text ist Kauderwelsch. Manche PDFs nutzen Schriften ohne richtige Zuordnung zu Buchstaben, ihr Text lässt sich also nicht auslesen. Texterkennung ist der Ausweg.
- Wörter laufen zusammen oder zerfallen. Das PDF positioniert einzelne Buchstaben statt Wörtern. Versuchen Sie Layout behalten, das die ursprünglichen Abstände bewahrt.
- Es meldet, dass das PDF passwortgeschützt ist. Entsperren Sie es zuerst mit PDF entsperren, sofern Sie dazu berechtigt sind.
Beliebte Einsatzzwecke dieses Tools
Fragen und Antworten
Warum habe ich keinen Text erhalten?
Gescannte PDFs enthalten Bilder von Seiten, keinen Text. Lassen Sie sie zuerst durch Bild in Text (OCR) laufen.
Wie gut ist die Tabellenerkennung?
Am besten funktioniert sie bei einfachen Rastern mit ausgerichteten Spalten. Komplexe Layouts brauchen eventuell etwas Nacharbeit.
Wird mein Dokument hochgeladen?
Nein, die Extraktion läuft in Ihrem Browser.
Passende Ratgeber
Ein PDF richtig schwärzen
Wir haben die privaten Angaben eines Kontoauszugs auf vier Arten versteckt und dann versucht, sie zurückzuholen. Schwarze Balken und eine gescannte Kopie gaben alles preis. Nur eine Methode ließ nichts zurück.