Ein PDF in Word umwandeln

Ein PDF speichert keine Absätze. Es speichert Glyphen: einzelne Zeichen, jedes mit einem Schriftverweis und einer Position auf der Seite. Es gibt weder Sätze noch Überschriften noch Listen; die setzt Ihr Auge aus den Abständen zusammen. Deshalb betreibt jeder existierende PDF-zu-Word-Konverter, unserer eingeschlossen, Rekonstruktion und keine Übersetzung: Er liest Tausende platzierter Glyphen und rät, welche zur selben Zeile gehören, welche Zeilen einen Absatz bilden und welcher Absatz als Überschrift gedacht war. Diese eine Tatsache erklärt fast alles, was Sie an den Ergebnissen beobachten: warum ein sauberer Bericht hervorragend konvertiert, warum ein zweispaltiger Fachaufsatz ineinander verschachtelt herauskommt und warum ein eingescannter Vertrag ein leeres Dokument liefert, ganz gleich mit welchem Werkzeug.

Was der Konverter tatsächlich liest

Die Textebene eines PDF ist eine Liste von Zeichenbefehlen. Jeder sagt im Kern: Setze diese Glyphenfolge dieser Schrift an diese x- und y-Koordinate, in dieser Größe. Der Konverter durchläuft diese Liste und beginnt zu gruppieren. Glyphen, die sich innerhalb einer kleinen Toleranz eine Grundlinie teilen, werden zu einer Zeile. Zeilen, deren vertikaler Abstand dem umgebenden Zeilenabstand entspricht, werden zu einem Absatz; eine deutlich größere Lücke beendet ihn. Schriftgröße und Strichstärke im Vergleich zum häufigsten Fließtext der Seite entscheiden darüber, was zur Überschrift wird: Eine Zeile, die vierzig Prozent größer gesetzt ist und auf die ein normaler Absatz folgt, ist mit hoher Wahrscheinlichkeit eine Überschrift und wird in der .docx-Datei auch als solche geschrieben, nicht als fetter Text. Aufzählungszeichen oder Nummern am Zeilenanfang mit gleichbleibendem Einzug darunter werden zu Listenelementen. Nichts davon steht in der Datei; alles ist Schlussfolgerung, und diese Schlussfolgerung trennt ein brauchbares Ergebnis von einer Wand loser Zeilen.

Wo die Rekonstruktion scheitert

Drei Layouts brechen diese Annahmen. Mehrspaltige Seiten sind der klassische Fall: Zwei nebeneinanderliegende Spalten teilen sich Grundlinien, also näht ein naiver Leser die Zeile der linken Spalte an die der rechten und erzeugt Unsinn. Man muss den Spaltenzwischenraum erkennen und jede Spalte bis nach unten lesen, bevor man hinübergeht. Tabellen sind der zweite Fall: Eine Tabelle besteht aus Text an Koordinaten plus manchmal Linien — oft ganz ohne Linien, sodass eine Tabelle und eine sauber ausgerichtete Zahlenliste für den Parser identisch aussehen. Der dritte Fall sind nummerierte Überschriften. Eine Zeile, die mit „1. Gegenstand des Vertrags“ beginnt, sieht exakt aus wie der erste Punkt einer nummerierten Liste, und die Reihenfolge der beiden Prüfungen im Konverter entscheidet, was Sie bekommen. Wir sind selbst hineingelaufen und mussten die Überschriftenprüfung vor die Listenprüfung setzen, denn in den Dokumenten, die Menschen tatsächlich konvertieren, ist eine nummerierte Überschrift weit häufiger als eine Liste mit einem einzigen Punkt.

Gescannte PDFs liefern nichts, und das ist ehrlich

Stammt die Seite aus einem Scanner oder von einer Handykamera, enthält sie ein großes Bild und überhaupt keine Textebene. Es gibt keine Glyphen zu gruppieren, also auch nichts zu rekonstruieren. Das Werkzeug hat zwei Möglichkeiten: ein leeres Dokument zurückgeben oder eine Texterkennung laufen lassen, die aus Pixeln Text erfindet. Wir machen keine OCR, also lehnen wir die Datei ab und sagen warum, statt Ihnen eine .docx-Datei mit drei leeren Seiten zu reichen. Das ist wichtiger, als es klingt: In einer kleinen Stichprobe echter Dokumente, mit denen wir getestet haben, waren drei von fünf lesbaren PDFs Scans. Gehört Ihre Datei dazu, ist der ehrliche nächste Schritt ein OCR-Werkzeug, und dessen Ausgabe sollten Sie als zu korrigierenden Entwurf behandeln, nicht als wiederhergestellten Text: OCR rät Zeichen anhand von Formen, und selbstbewusst falsch zu liegen ist ihr normaler Fehlermodus.

Schriften, Kodierung und das Problem zerschossener Zeichen

Es gibt einen zweiten, leiseren Fehler: die Zeichenzuordnung. Ein PDF kann eine Teilschrift mit eigener interner Nummerierung einbetten und eine Tabelle mitliefern, die diese Nummern auf echte Zeichen zurückführt. Fehlt diese Tabelle oder ist sie falsch — häufig bei Dateien aus alter Satzsoftware und bei Dokumenten, deren Umlaute beim Druck ersetzt wurden — kommt der extrahierte Text als glaubwürdiger Müll heraus: richtige Wortformen, falsche Buchstaben. Der Konverter kann das aus der Datei heraus nicht reparieren, weil die Information schlicht fehlt. Das Erkennungszeichen: Dasselbe Dokument lässt sich auch in einem PDF-Betrachter nicht durchsuchen. Suchen Sie mit Strg+F nach einem Wort, das Sie deutlich auf dem Bildschirm sehen; findet der Betrachter es ebenfalls nicht, ist die Zuordnung kaputt und jedes Werkzeug wird denselben Salat erzeugen. Dann brauchen Sie das Ursprungsdokument, nicht das PDF.

Das Ergebnis prüfen, bevor Sie ihm vertrauen

Öffnen Sie die .docx-Datei und prüfen Sie vier Dinge der Reihe nach. Erstens: Läuft der Text in der richtigen Reihenfolge? Lesen Sie die erste Seite vollständig, denn Spaltenfehler springen dort sofort ins Auge und bleiben beim Überfliegen unsichtbar. Zweitens: Sind die Überschriften echte Überschriften? Klicken Sie eine an und schauen Sie ins Formatfeld; steht dort Überschrift 1, können Sie ein Inhaltsverzeichnis neu aufbauen, steht dort Standard, haben Sie nur fetten Text. Drittens: Sehen Sie sich Tabellen an und prüfen Sie, ob ein Wert eine Spalte verrutscht ist. Viertens: Suchen Sie nach einer Zahl, von der Sie wissen, dass sie mitten im Dokument steht — eine Summe, ein Datum, eine Rechnungszeile — und bestätigen Sie, dass sie überlebt hat. Denn verlorener Inhalt ist der Fehler, der am meisten kostet und am wenigsten auffällt. Unsere eigene Prüfsuite führt genau diese letzte Kontrolle bei jedem Build aus, gerade weil menschliche Prüfer sie überspringen.

Welche Dokumente sich gut konvertieren lassen

Eine praktische Regel: Ist das Dokument digital in einer Textverarbeitung oder in einem Behördensystem entstanden und einspaltig, ist das Ergebnis meist direkt weiterzubearbeiten. Verträge, amtliche Schreiben, Bescheinigungen, Kontoauszüge und Berichte gehören dazu. Grafiklastige Broschüren, Zeitschriftenseiten, zweispaltige Aufsätze und Layoutdateien werden nur als Text gerettet, nicht als Gestaltung: Das Layout neu aufzubauen bleibt an Ihnen hängen. Am schnellsten erkennen Sie die Gruppe, indem Sie im PDF-Betrachter versuchen, einen Satz mit dem Cursor zu markieren: Lässt sich der Satz markieren, gibt es eine Textebene und die Umwandlung ist möglich; markiert sich die ganze Seite als ein Block, haben Sie ein Bild vor sich.