Wer schon einmal ein PDF in Word umgewandelt hat, kennt das Ergebnis. Auf den ersten Blick sieht alles richtig aus, doch sobald man tippt, fällt das Dokument auseinander. Jede Zeile steckt in einem eigenen Textfeld, nichts bricht um, und für ein korrigiertes Wort verschiebt man eine halbe Seite. Bei eingescannten Dokumenten ist es noch schlimmer: Meist kommt gar kein Text heraus, nur ein Bild der Seite.
Deshalb haben wir die Umwandlung von PDF in DOCX, DOC, ODT und RTF überarbeitet. Heraus kommt ein Dokument, das sich normal bearbeiten lässt, auch wenn das PDF ein Scan ist.
Warum sich ein PDF nicht einfach in Word öffnen lässt
PDF wurde dafür entwickelt, dass ein Dokument überall gleich aussieht. Es speichert den Text daher nicht so, wie er geschrieben wurde, sondern so, wie er gedruckt wird: Zeichen und Zeilenstücke mit genauer Position auf der Seite. Dass drei Zeilen einen Absatz bilden, eine fette Zeile eine Überschrift ist oder die Linien um ein paar Zahlen eine Tabelle, steht in der Datei meist nirgends.
Zwar kann ein PDF die logische Struktur des Dokuments enthalten („Tagged PDF“), aber nur, wenn das erzeugende Programm sie mitschreibt. Laut der Formatbeschreibung der Library of Congress fehlt sie vielen Dateien, die per „Drucken als PDF“ entstanden sind. Der Konverter muss die Struktur dann aus dem Seitenlayout erschließen.
Viele Konverter lassen diesen Schritt aus und setzen jede Zeile als Textfeld an ihre ursprüngliche Stelle. Das sieht aus wie das Original, ist zum Bearbeiten aber kaum zu gebrauchen. Der umgekehrte Weg ist reiner Text, bei dem Absätze, Tabellen und Bilder verloren gehen.
Was die Umwandlung jetzt macht
- Zeilen werden wieder zu Absätzen zusammengefügt, der Text fließt beim Bearbeiten wie in einem normalen Dokument.
- Tabellen mit Linien werden zu echten Word-Tabellen, Bilder bleiben an ihrem Platz.
- Lässt sich ein PDF so nicht rekonstruieren, erhalten Sie statt eines Fehlers zumindest ein Dokument, das wie das Original aussieht (Zeilen in Textfeldern).
Gescannte Dokumente: erst lesen, dann zusammensetzen
In einem gescannten PDF ist die Seite nur ein Bild. Der Konverter erkennt das selbst und führt zuerst eine Texterkennung (OCR) durch. Bei lateinischer Schrift sucht er nach Deutsch, Englisch, Tschechisch und Slowakisch. Anhand der Schrift auf der ersten Seite kommt er auch mit Kyrillisch, Griechisch, Arabisch, Hebräisch, Japanisch, Chinesisch und Koreanisch zurecht.
Erkannter Text ist allerdings noch kein Dokument. Die OCR liefert einzelne Wörter mit ihrer Position, und bei Blocksatz mit breiten Abständen landet schnell jedes Wort in einer eigenen Zeile. Genau das ist bei einem eingescannten Sitzungsprotokoll passiert: Mehr als die Hälfte der „Absätze“ bestand aus ein oder zwei Wörtern. Deshalb wird der Text nach dem Seitenlayout zusammengesetzt:
- Zeilen werden zu Absätzen verbunden, am Zeilenende getrennte Wörter wieder zusammengefügt,
- Überschriften und Aufzählungspunkte bleiben eigenständig,
- ein Absatz, der auf der nächsten Seite weitergeht, wird nicht zerteilt,
- Seitenzahlen in Kopf- und Fußzeile entfallen.
Was Sie erwarten können
Ein PDF, das aus Word oder einem anderen Textprogramm exportiert wurde, wird meist nah am Original umgewandelt. Liegt Ihnen die ursprüngliche DOCX-Datei noch vor, ist sie aber immer die bessere Grundlage.
Aus einem Scan erhalten Sie sauberen Text in Absätzen, ohne Bilder, Stempel und Schriftformatierung. Die Texterkennung läuft für bis zu 30 Seiten, ein längerer Scan wird ohne sie umgewandelt. Wie gut das Ergebnis ist, hängt von der Vorlage ab: Handschrift, Stempel und schief eingescannte Seiten können Fehler verursachen. Lesen Sie das Dokument deshalb durch, bevor Sie es weiterverwenden.
Ausprobieren können Sie es auf der Seite PDF in DOCX umwandeln. Die Umwandlung in DOC, ODT und RTF funktioniert genauso, mehr zum Format steht in der Beschreibung von PDF.