PDF in Text umwandeln

Lösen Sie die Textebene aus einer PDF-Datei und speichern Sie sie als reine .txt-Datei – Lesereihenfolge und Spalten bleiben dabei erhalten.

Dateien hier ablegen

.pdf · bis 300 MB

Dateien auswählen

Fließtext in AbsätzenSeitenlayout beibehalten

Weitere Einstellungen

SeitenSeitenumbrüche markierenSilbentrennung aufhebenCodierung

Text extrahieren: So geht’s

1
PDF-Datei hinzufügen
Legen Sie eine Datei oder bis zu zwanzig Dateien ab. Das Dokument öffnet Ihr eigener Browser, deshalb wird nichts über das Netzwerk übertragen.
2
Fließtext oder Seitenlayout wählen
„Fließtext in Absätzen“ setzt die Absätze zum Lesen und Bearbeiten neu zusammen; „Seitenlayout beibehalten“ lässt die Wörter samt Leerzeichen dort, wo sie auf der Seite stehen.
3
TXT-Datei herunterladen
Klicken Sie auf den Button und speichern Sie die Datei. Mehrere PDF-Dateien erhalten Sie als ein ZIP-Archiv mit Textdateien zurück.

Die Lesereihenfolge kommt von der Seite, nicht aus der Datei

Eine PDF-Datei speichert Text als Tausende einzeln platzierter Fragmente, gezeichnet in der Reihenfolge, die das erzeugende Programm zufällig verwendet hat. Liest man sie in dieser rohen Reihenfolge aus, zerfällt ein zweispaltiger Artikel in abwechselnde Halbsätze. Dieses Tool ignoriert die Reihenfolge in der Datei und baut die Seite neu auf. Fragmente werden anhand ihrer Grundlinien zu Zeilen gruppiert und Zeilen anhand der leeren Zwischenräume, die senkrecht über die Seite laufen, zu Spalten. Die Spalten werden von links nach rechts gelesen. Ein Absatz endet dort, wo der senkrechte Abstand über den normalen Zeilenabstand hinauswächst, und am Zeilenende mit Bindestrich getrennte Wörter werden wieder zusammengesetzt. Heraus kommt Text, den Sie ohne vorheriges Aufräumen in eine E-Mail, ein Übersetzungstool oder ein Skript einfügen können.

Layout, Codierung und Seitenbereiche

„Fließtext in Absätzen“ ist zum Lesen gedacht: ein Absatz je Block, keine ausgefransten Zeilenumbrüche. „Seitenlayout beibehalten“ bewahrt die ursprüngliche Geometrie, indem mit Leerzeichen aufgefüllt wird – genau richtig für Kassenbons, Auflistungen, Code und alles, bei dem die Spalten eine Bedeutung tragen. Standardmäßig wird UTF-8 ausgegeben; dazu gibt es eine Variante mit BOM für ältere Windows-Programme und die Option Windows-1251 für alte kyrillische Systeme. Passen zu viele Zeichen nicht in diese Codepage, erfahren Sie das, bevor die Datei geschrieben wird, und nicht erst danach. Seitenmarkierungen lassen sich abschalten, und statt des ganzen Dokuments können Sie einen Bereich wie 1-3, 5 extrahieren.

Das Dokument verlässt Ihr Gerät nicht

Die Extraktion läuft in Ihrem Browser-Tab: Die PDF-Datei wird im Arbeitsspeicher eingelesen, der Text dort zusammengesetzt und die .txt-Datei direkt in Ihren Download-Ordner gelegt. Nichts wird hochgeladen, nichts wartet in einer Warteschlange auf einem Server, und es gibt keine Kopie, die später jemand löschen müsste. Schließen Sie den Tab, ist alles weg – deshalb können Sie auch Verträge und medizinische Unterlagen sicher damit verarbeiten.

Häufige Fragen

Warum kommt aus meiner gescannten PDF-Datei nichts heraus?

Weil ein Scan ein Bild von Text ist, kein Text. Es gibt keine Textebene, die sich extrahieren ließe. Sie erhalten deshalb einen klaren Hinweis und einen Link zu „OCR PDF“: Das Tool liest die Buchstaben aus dem Bild und macht das Dokument durchsuchbar. Danach funktioniert die Extraktion ganz normal.

Was ist der Unterschied zwischen Fließtext und Seitenlayout?

„Fließtext in Absätzen“ fügt die Zeilen wieder zu Absätzen zusammen und verwirft die ursprünglichen Zeilenumbrüche – das ist am besten zum Lesen und Bearbeiten. „Seitenlayout beibehalten“ hält jedes Wort mit Leerzeichen an seiner Position auf der Seite – das ist am besten für Tabellen, Kassenbons und Listen mit fester Zeichenbreite.

Wie werden Spalten und Tabellen behandelt?

Spalten werden am leeren Zwischenraum zwischen ihnen erkannt, deshalb wird die linke Spalte vollständig gelesen, bevor die rechte beginnt. Tabellenzeilen bleiben Zeilen: Ein Raster aus schmalen Zellen wird nie für Spalten gehalten, die Zellen einer Zeile bleiben also in einer Zeile.

Werden Worttrennungen am Zeilenende aufgehoben?

Ja, im Fließtext. Ein Wort, das als Infor- am Ende einer Zeile und mation am Anfang der nächsten getrennt ist, wird wieder zu Information zusammengefügt. Echte Bindestriche im Wort, etwa in E-Mail, bleiben, wie sie sind.

Funktioniert das mit Kyrillisch, Arabisch und Chinesisch?

Ja. Der Text wird als UTF-8 geschrieben, deshalb übersteht jedes Schriftsystem der PDF-Datei den Weg, darunter Kyrillisch, Griechisch, Arabisch, Hebräisch, Japanisch, Koreanisch und Chinesisch. Windows-1251 wird nur für ältere kyrillische Arbeitsabläufe angeboten, die es brauchen.

Was passiert mit der Formatierung?

Sie fällt weg, denn eine .txt-Datei hat keine. Fettdruck, Farben, Schriftgrößen, Bilder und Tabellen bleiben nicht erhalten. Sollen Überschriften, Listen und Links als Struktur bestehen bleiben, wandeln Sie die Datei stattdessen in Markdown um – oder in Word, wenn Sie ein vollständig bearbeitbares Dokument brauchen.

Wird meine Datei auf einen Server hochgeladen?

Nein. Der ganze Vorgang läuft in Ihrem Browser mit einer eigenen PDF-Engine. Die Datei wird nirgendwohin gesendet, alles funktioniert ohne Konto und läuft weiter, selbst wenn Ihre Internetverbindung mitten in einem großen Dokument abbricht.

Wie groß darf die PDF-Datei sein?

Bis zu 2 GB je Datei und bis zu zwanzig Dateien auf einmal. Die Seiten werden einzeln verarbeitet und nichts wird gerendert, deshalb kommt selbst ein Dokument mit fünfhundert Seiten gut mit einigen hundert Megabyte Arbeitsspeicher aus.