EXTRAHIEREN
PDF hineinziehen und den Text zurückbekommen — das ganze Dokument oder nur die Seiten, die Sie nennen.
Bis 100 MB — es verlässt Ihr Gerät nicht
Extrahierter Text
Aus diesen Seiten kam kein Text. Das heißt fast immer, dass das PDF ein Scan ist — die Seiten sind Bilder, es gibt keine Textebene zum Extrahieren. Dafür braucht es OCR, und das leistet dieses Werkzeug nicht.
die Textebene
Ein PDF aus einer Textverarbeitung, einem Browser oder einem Designprogramm trägt seinen Text als Text: Die Buchstaben liegen als Zeichen mit Positionen darin — deshalb lassen sie sich im Reader markieren. Dieses Werkzeug liest diese Ebene Seite für Seite und gibt sie als reinen Text zurück, den Sie überall einfügen können.
Ein gescanntes PDF ist etwas anderes. Jede Seite ist eine Fotografie von Papier, es gibt also keine Zeichen zu lesen und es kommt nichts heraus. Das ist kein Fehler der Extraktion — in der Datei steht schlicht kein Text, und ihn zu bekommen erfordert Texterkennung statt Lesen.
drei Schritte
Es wird im Browser geparst, mit derselben Engine, die auch unsere PDF-Vorschauen zeichnet. Nichts wird hochgeladen, ein Vertrag oder eine Rechnung bleibt also auf Ihrem Rechner.
Leer heißt das ganze Dokument. Sonst benennen Sie sie wie im Druckdialog — 1-3, 5, 8- — und nur diese Seiten werden gelesen. Mit den Seitenmarken bleibt nachvollziehbar, wo jede begann.
Kopieren legt den Text in die Zwischenablage, für einen Chat oder einen Editor. Herunterladen schreibt eine UTF-8-.txt — bei langen Dokumenten der sicherere Weg.
kurz beantwortet
Das PDF ist mit ziemlicher Sicherheit ein Scan, seine Seiten sind Bilder ohne Textebene. Erkennen können Sie es, indem Sie es in einem beliebigen Reader öffnen und ein Wort markieren wollen: Greift der Cursor nicht, ist hier nichts zu holen.
Nein. Es liest Text, der bereits in der Datei steht, statt Buchstaben in einem Bild zu erkennen. OCR bräuchte ein Modell, das vor der ersten Seite heruntergeladen werden müsste — das wäre ein anderes Werkzeug.
Reiner Text kennt keine Spalten, Tabellen oder Ränder. Zeilenumbrüche folgen dem, was das PDF selbst als Zeilenende markiert; alles andere — ein zweispaltiger Aufsatz, eine Zahlentabelle — wird zu Fließtext geglättet.
Ja, denn sie sind Text auf der Seite wie jeder andere. Wer aus einem langen Bericht den Fließtext zieht, findet an den Seitengrenzen Kopf- oder Fußzeilen.
Das lässt sich hier nicht öffnen. Entfernen Sie das Passwort in der erzeugenden Anwendung oder in Ihrem PDF-Reader und schicken Sie die entsperrte Kopie durch dieses Werkzeug.
Ja, auch bei PDFs, die statt eingebetteter Schriften vordefinierte Zeichentabellen nutzen. Die .txt wird als UTF-8 geschrieben, die Zeichen überstehen den Weg also.
Nein. Die Datei wird im Browser gelesen, und der Text verlässt die Seite nicht. Es gibt in diesem Werkzeug keinen Server, an den ein Dokument gehen könnte.
Ja — kostenlos und ohne Wasserzeichen.
