PDF zu Word – kostenlos

Beispiel

Klicken Sie auf „Beispiel ausprobieren“. Der Datei-Chip zeigt document-v1.pdf, ein einseitiges PDF mit einem Titel und sechs kurzen Zeilen wie „Project: Atlas Rollout“ und „Budget: $10,000“. Klicken Sie auf „In Word konvertieren“. Die Beschriftung lautet „Textebene wird gelesen...“, der Chip zeigt dann „1 page“, eine grüne Zeile lautet „✓ Your Word document is ready — document-v1.docx“, und „Vorschau des extrahierten Texts“ listet den Text auf, beginnend mit „--- Page 1 ---“. „Herunterladen“ speichert die .docx, während „Kopieren“ und „.txt herunterladen“ über der Vorschau stehen. Aktivieren Sie „Add a „Page N“ heading before each page“, und die Word-Datei erhält eine Überschrift „Page 1“. Ein Scan verhält sich anders. Bei einem gescannten PDF mit 12 Seiten meldet ein bernsteinfarbenes Feld „Gescannte Seiten gefunden — OCR ausführen?“ und „None of the 12 pages have a text layer, so there is nothing to extract without reading the images.“ Es ergänzt „Reading them on your device takes about 6 minutes. Nothing is uploaded.“ und bietet „Run OCR on 12 pages“ an.

Welche Einstellungen zu verwenden sind, und die Grenzen

• Prüfen Sie zuerst, ob das PDF echten Text enthält. Das Tool liest die Textebene, die aus einem Textverarbeitungsprogramm exportierte oder aus einem Browser gespeicherte PDFs meist besitzen. Ein Scan ist nur ein Bild einer Seite und hat keine. Seiten ganz ohne Text werden einzeln gezählt, sodass eine gemischte Datei sinnvoll behandelt wird: Sie sehen „3 of 12 pages have no text layer. The rest were converted normally.“, und die Word-Datei für die anderen neun Seiten steht bereits zum Download bereit. Sie entscheiden, ob die drei Scans gelesen werden. Nichts wird heruntergeladen oder gestartet, bis Sie auf die OCR-Schaltfläche klicken.
• Wählen Sie das Alphabet, bevor Sie OCR ausführen. Öffnen Sie die Zeile „Alphabet auf den gescannten Seiten“. Sie beginnt bei der Sprache der Website, die Sie ansehen, und bei Latein, wenn diese Sprache keine Entsprechung hat. Ein Scan enthält keinen Text, aus dem sich ein Alphabet erkennen ließe, und der Hinweis warnt, dass eine mit dem falschen Alphabet gelesene Seite „comes back as plausible-looking nonsense rather than an error“. Es gibt zehn Auswahlmöglichkeiten, von Latein und Kyrillisch bis Thai, Tamil und Telugu. Jede zeigt ihre Größe, von 7.4 MB für Griechisch bis 15.9 MB für Chinesisch und Japanisch, und Latein hat 7.7 MB. Hebräisch ist nicht verfügbar. Die Gesamtgröße im Feld enthält auch einen gemeinsamen Teil, den jedes Alphabet nutzt.
• Rechnen Sie mit etwa 30 Sekunden pro Seite und nutzen Sie bei Bedarf „Abbrechen“. Die Schätzung beträgt 30 Sekunden pro Seite. Unter zwei Minuten wird sie in Sekunden angezeigt, in Schritten von 5. Längere Läufe nutzen ganze Minuten, sodass 40 Seiten „about 20 minutes“ ergeben. Die Seiten werden einzeln auf dem Gerät gelesen, und die Beschriftung zählt „Reading page 3 of 12...“. Klicken Sie auf „Abbrechen“, und die Schaltfläche zeigt kurz „Wird gestoppt...“. Bereits gelesene Seiten bleiben erhalten und gelangen in die Word-Datei, und nicht erreichte Seiten werden erneut angeboten. Am Smartphone warnt das Modellfeld „On a phone this will be slow - expect several minutes, and keep this tab open.“ Kann das Gerät das Modell nicht ausführen, bleibt die OCR-Schaltfläche deaktiviert.
• Behandeln Sie OCR-Text als ersten Entwurf. Die OCR-Ausgabe enthält keine Positionsangaben, sodass jede Zeile des Scans zu einem eigenen Absatz wird, ohne Tabellen oder Überschriften. Jede OCR-Seite beginnt mit einem kursiven Hinweis, „[Read from a scanned page by on-device OCR — check it against the original.]“, und die Kopfzeile des Dokuments wiederholt eine Warnung. Dem Dateinamen wird „-ocr“ angehängt, sodass ein Scan namens letter.pdf als letter-ocr.docx heruntergeladen wird. Eine Zeile unter dem Ergebnis lautet „OCR read 3 scanned pages. Machine-read text can contain mistakes — check them against the original.“ Vergleichen Sie Namen, Zahlen und Daten mit dem Papier, bevor Sie die Datei weitergeben.
• Wissen Sie, was aus einem Text-PDF übernommen wird. Umgebrochene Zeilen werden zu Absätzen verbunden. Eine kurze Zeile, die mindestens 1.2-mal größer als der Fließtext gesetzt ist, wird zu einer Word-Überschrift, und eine mindestens 1.6-mal größere wird zu Überschrift 1. Zeilen mit mehr als 150 Zeichen bleiben Fließtext. Spalten werden nur dann zu einer Word-Tabelle, wenn drei oder mehr Zeilen hintereinander mit derselben Spaltenzahl ausgerichtet sind. Bilder, Schriften und Seitenlayout bleiben nicht erhalten. Die Vorschau zeigt die ersten 8,000 Zeichen, und der vollständige Text steckt im Download. „Add a „Page N“ heading before each page“ ist standardmäßig aus, weil diese Überschriften nicht im PDF selbst stehen.
• Konvertieren Sie mehrere PDFs auf einmal. Legen Sie mehr als ein PDF ab oder klicken Sie bei einem geladenen auf „Mehr Dateien hinzufügen“. Die Schaltfläche lautet dann „Convert 3 PDFs to Word“. Jede Datei wird zu einer eigenen .docx, und „Download all (3)“ speichert sie in einer ZIP-Datei namens pdf-to-word. Der Stapelmodus liest nur die Textebene. Ein vollständig gescanntes PDF scheitert in seiner Zeile mit „Scanned PDF with no text layer. Open it on its own to read it with OCR.“, und ein teilweise gescanntes zeigt einen Hinweis wie „2 scanned pages skipped“. Dateien, die keine PDFs sind, werden ausgelassen, mit der Meldung „Some files were skipped because they are not PDFs.“

Häufige Probleme und wie man sie behebt

Es erscheint „Etwas ist schiefgelaufen. Bitte versuchen Sie es erneut.“

Der Reader ist mit einem Fehler gescheitert, für den das Tool keine eigene Meldung hat. Nur ein Passwortfehler und ein Fehler wegen ungültigem PDF haben einen eigenen Satz („Diese Datei konnte nicht als PDF gelesen werden – sie könnte beschädigt sein.“), und ein Dokument mit null Seiten erhält dieselbe Meldung zu beschädigten Dateien. Alles andere, einschließlich der „UnknownErrorException“ des Readers, landet hier. Öffnen Sie die Datei in einem anderen PDF-Viewer. Lässt sie sich öffnen, drucken Sie sie dort in ein neues PDF und konvertieren Sie diese Kopie.

Es erscheint „Kein extrahierbarer Text in diesem PDF gefunden.“

Jede Seite ist ein Bild, und Sie haben beim OCR-Angebot „Nein, danke“ gewählt, sodass es nichts zu konvertieren gibt. Das ist kein Fehler der Datei. Die Textebene ist leer. Klicken Sie erneut auf „In Word konvertieren“, um das Angebot zurückzuholen, wählen Sie das Alphabet der Seiten und klicken Sie auf „Run OCR on N pages“. Möchten Sie kein OCR, müssen die Wörter aus einer anderen Quelle stammen, denn ein PDF ohne Textebene enthält keine Wörter, die sich kopieren ließen.

Es erscheint „OCR lief, fand aber keinen lesbaren Text auf den gescannten Seiten.“

Jede Seite wurde gezeichnet und gelesen, und die Erkennung lieferte keinen Text. Der einfache Fall ist eine Seite, die wirklich leer ist; prüfen Sie die Seiten daher in einem Viewer. Gelesene Seiten werden nicht erneut angeboten, auch wenn sie leer zurückkamen. Um ein anderes Alphabet zu versuchen, klicken Sie auf „In Word konvertieren“ (oder „Erneut umwandeln“), was die Prüfung neu startet und das Angebot erneut zeigt. Der Hinweis unter der Auswahl sagt, dass ein falsches Alphabet Unsinn statt eines Fehlers ergibt; prüfen Sie daher auch die Auswahl.

Es erscheint „Die gescannten Seiten konnten nicht gelesen werden. Bitte versuchen Sie es erneut.“

Beim OCR-Durchgang ist etwas fehlgeschlagen. Eine Seite, die 120 Sekunden lang keinen Fortschritt macht, gilt als hängend. Das Tool verwirft dann diesen Reader und startet beim nächsten Versuch einen neuen. Wiederholt es sich bei einem langen Scan, versuchen Sie es an einem Computer oder teilen Sie das PDF, damit jeder Lauf kürzer ist. Eine verwandte Meldung, „Page 4 is too large to render for OCR.“, erscheint, wenn eine Seite ein Bild von mehr als 16,384 Pixeln Seitenlänge bräuchte.

Es erscheint „This PDF is password-protected. Remove the password and try again.“

Das PDF ist verschlüsselt, sodass sein Text noch nicht gelesen werden kann. Unter der Meldung bietet ein Feld „Diese Datei an ein anderes Tool senden“ die Option „PDF entsperren“. Es reicht dieselbe Datei innerhalb dieses Browsers an das Tool „PDF entsperren“ weiter, und das Feld vermerkt „Nichts ist hochgeladen.“ Entsperren Sie sie dort und fügen Sie dann die entsperrte Datei hier hinzu. Im Stapelmodus erscheint dieselbe Meldung in der Zeile dieser Datei.

Wie es im Vergleich abschneidet

Wenn die Seite genau wie das PDF aussehen soll, ist dies das falsche Tool. Es extrahiert den Text und baut Absätze, Überschriften und einfache Tabellen neu auf, was passt, wenn Sie die Wörter bearbeiten oder wiederverwenden möchten. Es behält keine Bilder, Schriften oder das ursprüngliche Layout und erzeugt kein durchsuchbares PDF. Gescannte Seiten werden per OCR auf dem Gerät gelesen, sodass der Text Fehler enthalten kann und Sie ihn Korrektur lesen müssen. Der erste OCR-Lauf lädt einmalig ein Modell herunter, 7.4 bis 15.9 MB für das Alphabet plus einen gemeinsamen Teil. Es muss nichts installiert werden, und das PDF wird nicht hochgeladen.