Auswählbarer Text ist nicht dasselbe wie ein Scan
Einige PDFs enthalten echte Zeichencodes mit Zuordnung zu Glyphen. Andere bestehen nur aus fotografierten Seiten und besitzen ohne optische Zeichenerkennung (OCR) keinen durchsuchbaren Text.
Dieses Werkzeug speichert nur die lesbaren eingebetteten Zeichen. Schriftarten, Spalten, Tabellen, Grafiken und das ursprüngliche Seitenlayout werden nicht wie in einer Textverarbeitung rekonstruiert.
Extrahierten Text kontrollieren
In komplizierten PDFs entspricht die interne Zeichenreihenfolge nicht unbedingt der Leserichtung. Sind Namen oder Spalten vermischt, benötigen Sie eine layoutbewusste Extraktion oder passende OCR.
- Öffnen Sie die PDF und prüfen Sie, ob sich die Zeichen auf der Seite auswählen lassen.
- Wählen Sie unter PDF konvertieren den Export aller Seiten als TXT.
- Öffnen Sie die TXT-Datei und prüfen Sie Zeilenumbrüche, Zeichen und Lesereihenfolge; korrigieren Sie Fehler im Texteditor.
- Eine TXT-Datei erhält keine Signaturen, Bilder, Schriften oder das PDF-Seitenlayout.