Inhalte aus einem PDF holen: Text, Daten, Bilder und Archive

Warum sich PDFs schwer zurückverwandeln lassen

In den meisten PDFs ist Text als Zeichen an exakten Positionen auf der Seite gespeichert. Oft ist nirgends vermerkt, dass eine Gruppe von Zeilen einen Absatz bildet, dass bestimmte Wörter eine Überschrift sind oder dass ein Zahlenraster eine Tabelle mit Zeilen und Spalten ist. Ein Konverter muss diese Struktur aus den Positionen rekonstruieren, das klappt bei einfachen Dokumenten gut und bei komplexen Layouts schlecht. Gescannte PDFs sind noch schwieriger, denn sie enthalten gar keine Zeichen, nur Bilder von Seiten. Deshalb ist die Ausgangsdatei immer der verlässlichste Weg, wenn es sie gibt, und deshalb setzen die Konverter von VelloDoc auf saubere, ehrliche Ergebnisse statt auf Nachahmungen des Original-Layouts. Der Ratgeber zu Formaten erklärt die zugrunde liegenden Abwägungen.

Die Wörter zurückgewinnen

Drei Konverter gewinnen Text für unterschiedliche Zwecke zurück. PDF in Word erzeugt eine bearbeitbare DOCX-Datei mit dem Text jeder Seite als Absätze und beibehaltenen Seitenumbrüchen, bereit zum Neuformatieren, Schriften, Tabellen, Bilder und Spalten baut es aber nicht nach. PDF in TXT schreibt den gesamten Text in eine UTF-8-Datei, die portabelste Form zum Zitieren, Durchsuchen und Auswerten. PDF in Markdown fügt für jede Seite eine Überschrift ein, ein praktischer Ausgangspunkt für Wikis und Notiz-Apps. Sieht die Ausgabe wirr aus, obwohl sich die Seite normal lesen lässt, speichert das PDF Zeichen ohne korrekte Zuordnung zu Buchstaben; OCR auszuführen und erneut umzuwandeln, behebt das meist.

Zahlen und Tabellen zurückgewinnen

PDF in Excel legt pro Seite ein Arbeitsblatt an, macht aus jeder Textzeile eine Tabellenzeile und trennt Zellen dort, wo der Text einen Tabulator oder eine breite Lücke enthält, so ordnen viele PDFs Spalten an. Einfache, gleichmäßig verteilte Tabellen kommen gut an; verbundene Zellen, umbrochener Text und leere Zellen müssen nachbearbeitet werden, denn der Abstand ist der einzige Hinweis auf die Struktur. Werte kommen als Text an, wandeln Sie sie also vor dem Rechnen in Zahlen um. Bei Daten, die ursprünglich aus einem Systemexport stammen, ist es immer genauer, nach der CSV-Datei zu fragen, als sie aus einem PDF zu extrahieren, und CSV in PDF deckt den umgekehrten Weg ab, wenn Sie eine druckbare Tabelle brauchen.

Bilder von Seiten oder die Bilder darin

Zwei Aufgaben werden leicht verwechselt. Beim Rendern von Seiten entstehen Bilder ganzer Seiten: PDF in JPG, PDF in PNG und PDF in WebP wandeln jede Seite mit 120, 150 oder 200 DPI um und liefern ein ZIP; JPG eignet sich für Fotos, PNG für Text und Diagramme, WebP für Websites. Bilder extrahieren holt dagegen die im PDF gespeicherten Fotos und Grafiken in ihrem Originalformat und ihrer Originalauflösung heraus, was eine deutlich bessere Qualität als ein Seitenrendering bieten kann. Zum Präsentieren von Seiten legt PDF in PowerPoint jede Seite auf eine Folie im Seitenformat, als Bild, das Sie beschriften, aber nicht bearbeiten können.

Ein PDF als Webseite

Lange PDFs sind auf dem Handy unhandlich und für Suchmaschinen undurchsichtig. PDF in HTML macht aus einem Dokument eine einzige, eigenständige Webseite: Seiten mit Textebene werden zu echtem Text, der sich an den Bildschirm anpasst und sich markieren, durchsuchen und vorlesen lässt, mit eingebetteten Bildern, während gescannte Seiten als Seitenbilder aufgenommen werden, damit nichts verloren geht. Exaktes Layout, Spalten und Schriften werden zugunsten der Lesbarkeit vereinfacht. Für Dokumentationsseiten mit Markdown passt der Markdown-Konverter besser, und wer das Original-PDF neben dem HTML veröffentlicht, bietet allen, die sie möchten, weiterhin eine druckbare Fassung.

Scans brauchen zuerst OCR

Jede textbasierte Umwandlung setzt eine Textebene voraus. Ein gescanntes oder fotografiertes PDF hat keine, daher liefert PDF in Word leere Seiten, PDF in Excel leere Arbeitsblätter, und PDF in HTML weicht auf Seitenbilder aus. OCR PDF fügt erkannten Text in einer von 39 Sprachen hinzu, danach funktionieren alle Text-Konverter normal. Die Erkennung ist nicht perfekt, besonders bei kleiner Schrift, Handschrift und komplexen Layouts, prüfen Sie also Namen, Zahlen und Datumsangaben im umgewandelten Ergebnis. Scans vor der Erkennung mit den Optimierungs-Tools zu begradigen und von leeren Seiten zu befreien, verbessert die Genauigkeit messbar, und was ein PDF durchsuchbar macht erklärt, warum.

Antworten aus vielen PDFs auf einmal

Manchmal müssen Sie gar nichts umwandeln. Sie brauchen eine Antwort, die über mehrere Dateien verteilt ist. Der KI-Arbeitsbereich für PDFs liest den Text von bis zu 20 PDFs, damit Sie alle gleichzeitig direkt im Browser durchsuchen können. Er kann auch Claude, ein KI-Modell von Anthropic, bitten, die Dokumente zu vergleichen, Widersprüche aufzulisten oder eine Zusammenfassung zu schreiben, mit Dateiname und Seitenzahl zu jedem Punkt. Die Suche ist kostenlos und verlässt Ihren Browser nicht. KI-Antworten senden den Text nur an Anthropic, wenn Sie fragen und zustimmen, prüfen Sie also jede Seitenangabe, bevor Sie sich darauf verlassen.

Archivieren statt umwandeln

Manchmal geht es nicht darum, Inhalte weiterzuverwenden, sondern ein Dokument über Jahrzehnte lesbar zu halten. PDF in PDF/A schreibt eine Datei mit Ghostscript nach dem Archivstandard PDF/A-2 neu und bettet Schriften sowie ein sRGB-Farbprofil ein, damit die Datei von nichts außerhalb ihrer selbst abhängt. Kein Konverter kann garantieren, dass jede Eingabe eine strenge Validierung besteht; prüfen Sie das Ergebnis daher mit einem Validator wie veraPDF, wenn Konformität Pflicht ist. Reparieren Sie beschädigte Dateien zuerst mit PDF reparieren, geben Sie dem Dokument mit Metadaten anzeigen und bearbeiten einen aussagekräftigen Titel und machen Sie Scans vor dem Archivieren durchsuchbar, damit sie auffindbar bleiben.

Typische Abläufe

Fragen zum Umwandeln von PDFs in andere Formate

Passende Ratgeber