PDF zu Word

Eine PDF-Seite kennt kein Konzept von „Absätzen" oder „Überschriften" wie ein Word-Dokument — intern ist sie eine Menge positionierter Textläufe, jeder sagt im Grunde: „Zeichne diese Zeichen an dieser exakten x,y-Koordinate, in dieser Schrift." Es gibt keine Gliederung, keine Dokumentstruktur, nicht einmal einen verlässlichen Begriff davon, wo eine Zeile endet und die nächste beginnt; ein PDF-Betrachter setzt das visuelle Erscheinungsbild einer Seite zusammen, indem er jeden Textlauf an seiner angegebenen Position zeichnet, und eine Person, die das Ergebnis liest, nimmt Zeilen und Absätze nur wahr, weil die Positionen zufällig so ausgerichtet sind. Ein PDF in ein bearbeitbares Dokument zu konvertieren bedeutet, von dort aus rückwärts zu arbeiten: Textläufe mit ähnlicher vertikaler Position zu Zeilen zu gruppieren, dann zu erkennen, wo die vertikale Lücke zwischen einer Zeile und der nächsten ungewöhnlich groß ist — ein Signal, dass gerade ein Absatz zu Ende ging — und das als Absatzumbruch zu behandeln. Das ist grundsätzlich eine Rekonstruktion aus Positionsdaten, kein Auslesen einer verborgenen Dokumentstruktur, und genau deshalb kann die ursprüngliche Formatierung nicht wiederhergestellt werden: Es gab von Anfang an keine strukturierte Formatierungsinformation in der Datei, die man hätte wiederherstellen können, nur wo Tinte platziert wurde.

Es liegt nahe anzunehmen, dass „ein PDF lesen" und „eine gescannte Seite lesen" dieselbe Aufgabe mit demselben Werkzeug sind, aber sie lösen grundlegend unterschiedliche Probleme. Textextraktion, was dieses Tool macht, liest Text, den ein PDF bereits als Text speichert — Zeichencodes und Positionen, dieselben Daten, die ein PDF-Betrachter nutzt, damit Sie einen Satz auswählen und kopieren können. OCR (optische Zeichenerkennung) löst ein viel schwierigeres Problem: eine Seite anzuschauen, die nur ein Bild ist, ohne Textdaten irgendwo in der Datei, und mittels Bilderkennung zu erraten, welche Buchstaben und Wörter das Bild zeigt. Das ist ein grundlegend schwereres Unterfangen — es umfasst Bildverarbeitung, Zeichenerkennungsmodelle und inhärente Unsicherheit darüber, was die „richtige" Antwort überhaupt ist, nichts davon trifft zu, wenn der Text bereits als Text vorliegt. Eine vollständige OCR-Engine in ein Tool einzubauen, dessen ganzer Reiz das sofortige Laufen im Browser ist, würde die Geschwindigkeit und Einfachheit eintauschen, die dieses Tool für die Minderheit der PDFs nützlich macht, die zufällig Scans sind. Ein gescanntes, reines Bild-PDF ist ein echter und häufiger Fall, und dieses Tool sagt das offen in seinen Ergebnissen, statt still ein leeres Dokument zu erzeugen — aber ihn richtig zu lösen bedeutet, zu einem dedizierten OCR-Tool zu greifen, statt dieses hier über das hinaus zu strecken, was es ehrlich leistet.

Ein ambitionierterer Konverter könnte versuchen, das Layout der ursprünglichen Seite nachzubilden — Text in Boxen an ungefähr den richtigen Koordinaten zu platzieren, Spalten zu erraten, Schriften nachzuahmen. In der Praxis erzeugt das ein Dokument, das dem Original oberflächlich ähnlich aussieht, aber fast unmöglich tatsächlich zu bearbeiten ist: Text sitzt in unverbundenen schwebenden Boxen statt in fließenden Absätzen, bricht schlecht um, sobald irgendetwas hinzugefügt oder entfernt wird, und widersetzt sich bei jeder Bearbeitung. Den extrahierten Text stattdessen in gewöhnliche Absätze umzubrechen — der Ansatz dieses Tools — gibt bewusst visuelle Ähnlichkeit zugunsten eines Dokuments auf, das sich so verhält, wie es ein Word-Dokument soll: Am Ende eines Absatzes tippen und es bricht normal um, einen Satz löschen und der Rest der Seite bricht so um, wie Textverarbeitungen es schon immer getan haben. Für das übliche Ziel, die Worte eines PDFs in ein bearbeitbares Dokument zu bekommen — um sie zu zitieren, zu überarbeiten, weiterzuverwenden oder zu übersetzen — ist das der richtige Kompromiss, und deshalb versucht dieses Tool nicht, ein Layout-Erhaltungs-Tool im Gewand eines Text-Editors zu sein.