PDF in Text umwandeln
PDF zu Text zieht die Wörter aus einem Dokument heraus, sodass Sie sie kopieren oder durchsuchen können. Das Tool liest den Text, den das PDF bereits enthält, exakt so, wie er hinterlegt wurde – statt die Seite anzusehen und die Buchstaben zu erraten, wie es OCR tut. Ein Scan – er enthält nur Bilder von Wörtern – liefert hier deshalb nichts, und das Tool sagt das, statt etwas zu erfinden.
PDF hierher ziehen
oder irgendwo auf der Seite ablegen · Datei auswählen · 100 MB
Unterstützt: PDF
Wie funktioniert PDF in Text umwandeln?
Ein PDF enthält keine Absätze. Es enthält Anweisungen, Glyphen an Koordinaten zu platzieren – „zeichne dieses Zeichen bei x=72, y=708 in dieser Schrift in dieser Größe“ –, ein paar tausend Mal pro Seite. Text extrahieren heißt, diese Anweisungen einzusammeln und aus den Positionen, wo die Dinge gelandet sind, Wörter und Zeilen zu rekonstruieren.
Das ist keine OCR, und der Unterschied ist wichtig
OCR betrachtet ein Bild einer Seite und erkennt Formen als Buchstaben – mit einer Fehlerrate. Textextraktion liest die Zeichen, die das Dokument bereits speichert, exakt. Ist die Textebene vorhanden, ist das Ergebnis perfekt – jedes Zeichen, auch die, die OCR zuverlässig verwechselt, etwa rn mit m und l mit 1.
Fehlt die Textebene – eine gescannte Seite ist ein Foto, und Fotos enthalten keine Zeichen –, gibt es nichts zu extrahieren. Das Tool meldet, wie viele Seiten leer geblieben sind, statt zu schweigen und Sie den Schluss ziehen zu lassen, Ihre Datei sei defekt. Für solche Dokumente ist OCR das richtige Werkzeug, und es ist eine wirklich andere Software.
Zeilenumbrüche rekonstruieren
Die Textelemente, die pdf.js liefert, sind positionierte Fragmente, keine Zeilen. Verbindet man sie mit Leerzeichen, entsteht ein einziger langer Absatz pro Seite – für alles mit Layout unlesbar. Deshalb wird die vertikale Koordinate jedes Fragments mit der des vorherigen verglichen: ein deutlicher Absturz bedeutet eine neue Zeile, ein größerer einen Absatzwechsel, und ein Fragment auf gleicher Höhe ist eine Fortsetzung.
Das ist eine Näherung, und sie gibt sich auch als solche zu erkennen. Bei mehrspaltigen Layouts zeigt sich das: Der Extraktor liest in der Reihenfolge, in der die Glyphen gezeichnet wurden – bei einem zweispaltigen Fachartikel oft quer über beide Spalten statt eine hinunter. Nur eine vollständige Layoutanalyse behebt das, und Layoutanalyse rät.
Ligaturen, Bindestriche und das fehlende Leerzeichen
Drei Artefakte tauchen in extrahiertem Text häufig genug auf, um sie wiederzuerkennen. Eine Ligatur – die einzelne Glyphe für fi oder ffl – wird beim Extrahieren unter Umständen als ein Zeichen ausgegeben, das richtig aussieht, aber bei einer Suche nach „fi“ nicht gefunden wird. Ein über einen Zeilenumbruch getrenntes Wort bleibt getrennt, denn der Bindestrich ist ein echtes Zeichen im Dokument. Und zwei Wörter ohne Leerzeichen dazwischen bedeuten meist, dass das PDF sie separat positioniert hat, statt ein Leerzeichen zu schreiben – bei Text aus Satzprogrammen üblich.
Alles bleibt im Tab
Die Extraktion läuft in Ihrem Browser. Das ist wichtiger als bei den meisten Tools, denn die Dokumente, aus denen Menschen Text extrahieren, sind Verträge, Berichte und Kontoauszüge – und der extrahierte Text ist die durchsuchbare, grep-fähige, überall einfügbare Version genau dieser Dokumente.
Eingabe
invoice.pdf (2 pages, text layer present)
Ausgabe
--- page 1 --- INVOICE 2026-0412 Ada Lovelace Ltd Due: 30 September 2026 --- page 2 --- Terms and conditions…
Welche Optionen und Sonderfälle unterstützt PDF in Text umwandeln?
| Parameter | Typ | Standard | Verhalten & Sonderfälle |
|---|---|---|---|
| Textebene | exakt gelesen | — | Zeichen werden aus dem Dokument so übernommen, wie sie gespeichert sind. Keine Erkennung, also auch keine Fehlerquote – im Gegensatz zu OCR, das aus Pixeln raten muss. |
| Gescannte Seiten | leer | gemeldet | Ein Scan ist ein Bild von Wörtern und enthält keine Zeichen. Die Anzahl der leeren Seiten wird angezeigt, anstatt dass Sie diese selbst ermitteln müssen. |
| Zeilenumbrüche | rekonstruiert | an | Aus der vertikalen Position jedes Textfragments. Eine bedeutende Abweichung ist eine Zeile, eine größere ein Absatz. Schalten Sie dies aus, um einen durchgehenden Block pro Seite zu erhalten. |
| Seitenmarkierungen | Boolesch | an | Eine --- Seite N --- Zeile zwischen den Seiten, die eine lange Ausgabe navigierbar macht. |
| Mehrspaltenlayouts | ungefähr | — | In Zeichnungsreihenfolge lesen, was bei zwei Spalten oft quer statt längs ist. Dies zu korrigieren erfordert Layoutanalyse, die raten muss. |
| Ligaturen | wie gespeichert | — | Eine fi-Ligatur kann als einzelnes Zeichen ausgegeben werden, das korrekt aussieht, aber nicht mit einer Suche nach den beiden Buchstaben übereinstimmt. |
| Silbentrennung | erhalten | — | Ein über eine Zeile getrenntes Wort behält seinen Bindestrich, weil der Bindestrich ein tatsächliches Zeichen im Dokument ist und kein Rendering-Artefakt. |
| Verschlüsselte PDFs | abgelehnt | — | Schalten Sie zuerst mit dem Passwort frei. |
Häufig gestellte Fragen
Ich habe kein Ergebnis erhalten. Ist mein PDF defekt?
Sehr wahrscheinlich nicht – es ist ein Scan. Ein gescanntes Dokument ist ein Foto einer Seite, und ein Foto enthält keine Zeichen, nur Pixel, die so angeordnet sind, dass sie wie welche aussehen. Es gibt keine Textebene zum Extrahieren, weshalb das Tool die Anzahl der leeren Seiten meldet, statt einfach nichts zurückzugeben. Für dieses Dokument brauchen Sie OCR, das Formen als Buchstaben erkennt und eine Fehlerrate hat; dieses Tool liest Zeichen, die bereits da sind, und hat keine.
Warum kommt mein zweispaltiges Paper durcheinander heraus?
Weil die Extraktion die Glyphen in der Reihenfolge liest, in der sie gezeichnet wurden – bei einem zweispaltigen Layout häufig linke Spalte, rechte Spalte, linke Spalte, also quer über die Seite statt eine Spalte hinunter. Die beabsichtigte Lesereihenfolge zu rekonstruieren erfordert eine Analyse der Seitengeometrie und eine Entscheidung, wo die Spalten liegen – Rätselraten, das an Tabellen, Randspalten und Abbildungen scheitert. Dieses Tool rät nicht; es sagt Ihnen, in welcher Reihenfolge die Zeichen stehen.
Warum kleben manche Wörter aneinander?
Weil das PDF zwischen ihnen nie ein Leerzeichen geschrieben hat. Satzsoftware positioniert jedes Wort oft einzeln, statt ein Leerzeichen auszugeben; die sichtbare Lücke ist also nur ein Koordinatenunterschied ohne Zeichen dahinter. Ein Extraktor, der überall dort ein Leerzeichen einfügt, wo er eine Lücke sieht, würde es auch innerhalb von Wörtern mit Unterschneidung einfügen – was schlimmer wäre. Das ist das häufigste Artefakt in extrahiertem PDF-Text, und es steckt im Format selbst.
Ist das OCR?
Nein, und das ist das Wichtigste, was man darüber wissen kann. OCR betrachtet ein Bild und erkennt Zeichen – das funktioniert bei Scans und hat eine Fehlerrate: Es verwechselt rn mit m und l mit 1 und versagt bei schlechten Scans. Dieses Tool liest die Zeichen, die das Dokument bereits speichert; wo es eine Textebene gibt, ist das Ergebnis exakt. Die beiden Tools lösen unterschiedliche Probleme, und keines ersetzt das andere.
Kann ich Text nur von einzelnen Seiten extrahieren?
Das gesamte Dokument wird mit Seitenmarken extrahiert, sodass Sie den gewünschten Teil mühelos finden – suchen Sie nach „--- page 7 ---“ und nehmen Sie, was danach kommt. Ein Seitenbereich würde Ihnen einen Bildlauf ersparen und Ihnen die Möglichkeit nehmen, alles auf einmal zu durchsuchen – was meistens der Grund ist, warum Menschen überhaupt Text extrahieren.
Wird mein Dokument hochgeladen?
Nein. pdf.js läuft in diesem Tab – es ist die Engine von Mozilla, derselbe Code, mit dem Firefox PDFs anzeigt –, und der Text wird auf Ihrem Rechner extrahiert. Das ist hier wichtig, weil der extrahierte Text die vollständig durchsuchbare, kopier- und einfügbare Version all dessen ist, was das Dokument enthielt.