Text aus einer PDF kopieren

Warum ist das Kopieren von Text aus PDFs so schwierig?

PDFs wurden für den Druck, nicht für die Bearbeitung entwickelt. Im Gegensatz zu einem Word-Dokument, in dem Text als kontinuierlicher Fluss angeordnet ist, speichert eine PDF jedes Zeichen an exakten x/y-Koordinaten auf der Seite – wie ein Layout-Bauplan. Wenn Sie versuchen, auszuwählen und zu kopieren, muss Ihr PDF-Viewer rückwärts ermitteln, welche Zeichen Wörter, welche Wörter Zeilen und welche Zeilen Absätze bilden. Oft rät er falsch.

Dies wird bei mehrspaltigen Layouts (Text aus Spalte A vermischt sich mit Spalte B), Tabellen (Zellen werden als wirres Durcheinander eingefügt) und Kopf-/Fußzeilen (sie werden mitten im Absatz eingefügt) noch schlimmer. Und das setzt voraus, dass die PDF überhaupt auswählbaren Text enthält – gescannte Dokumente sind nur Bilder, also gibt es nichts auszuwählen.

Die Methode, die Sie verwenden sollten, hängt davon ab, welche Art von PDF Sie haben. Hier sind 4 Ansätze, vom einfachsten bis zum leistungsstärksten.

Methode 1: Text im PDF-Viewer oder Browser auswählen und kopieren (einfachste)

Beginnen Sie hier – es ist die schnellste Methode und erfordert keine zusätzlichen Tools. Öffnen Sie die PDF in einem beliebigen Viewer: Adobe Acrobat Reader (kostenlos), Vorschau auf dem Mac oder ziehen Sie die PDF einfach in Chrome, Edge oder Firefox. Alle modernen Browser haben integrierte PDF-Viewer, die Textauswahl unterstützen.

Klicken und ziehen Sie, um den gewünschten Text hervorzuheben, und drücken Sie dann Strg+C (Windows/Linux) oder Cmd+C (Mac). Fügen Sie ihn in einen beliebigen Texteditor, eine E-Mail oder ein Dokument ein.

Profi-Tipp: In Adobe Acrobat Reader verwenden Sie Bearbeiten → Alles auswählen (Strg+A / Cmd+A), um den gesamten Text auf der aktuellen Seite auszuwählen. In Chrome können Sie auch Strg+F verwenden, um innerhalb der PDF zu suchen und dann die hervorgehobenen Ergebnisse zu kopieren.

Wann dies funktioniert: PDFs mit einfachen, einspaltigen Layouts und auswählbarem Text – denken Sie an die meisten Geschäftsbriefe, Rechnungen und Berichte.

Wann dies scheitert: Der Text lässt sich nicht hervorheben (gescannte PDF oder kopiergeschützt), der eingefügte Text ist verstümmelt (Kodierungsproblem) oder mehrspaltiger Text wird durcheinandergebracht. Wenn eines dieser Probleme auftritt, versuchen Sie Methode 2.

Methode 2: PDF in Google Docs öffnen (kostenlos, verarbeitet gescannte PDFs)

Google Docs kann PDFs in bearbeitbaren Text umwandeln, einschließlich gescannter Dokumente – und das völlig kostenlos.

Schritt 1: Laden Sie die PDF in Google Drive hoch (drive.google.com). Schritt 2: Klicken Sie mit der rechten Maustaste auf die Datei und wählen Sie "Öffnen mit → Google Docs". Schritt 3: Google wandelt die PDF in ein bearbeitbares Dokument um. Sie können nun jeden Text auswählen und kopieren.

Im Hintergrund wendet Google OCR (Optical Character Recognition) auf bildbasierte Seiten an, daher funktioniert dies auch mit gescannten Dokumenten. Es verarbeitet auch kopiergeschützte PDFs, da die Datei serverseitig verarbeitet wird.

Einschränkungen: Google Docs hat Probleme mit komplexen Formatierungen. Mehrspaltige Layouts fallen oft in eine einzige Spalte in falscher Reihenfolge zusammen. Tabellen können ihre Struktur verlieren. Und bei großen PDFs (50+ Seiten) kann die Konvertierung langsam oder unvollständig sein. Wenn die Formatierung wichtig ist, ziehen Sie Methode 3 in Betracht.

Methode 3: Ein spezielles Textextraktions-Tool verwenden (am besten für komplexe PDFs)

Wenn die Methoden 1 und 2 scheitern – oder wenn Sie sauberen, korrekt formatierten Text aus einem komplexen Dokument benötigen – ist ein spezielles Extraktionstool die zuverlässigste Option.

Tools wie ParseJet sind speziell für dieses Problem entwickelt. Sie analysieren die interne Struktur der PDF (oder wenden OCR auf gescannte Seiten an) und extrahieren Text in der korrekten Lesereihenfolge, bewahren Absatzumbrüche und trennen Spalten korrekt.

So verwenden Sie ParseJet: Gehen Sie zu parsejet.com/tools/extract-text-from-pdf → ziehen Sie Ihre PDF per Drag & Drop hinein → kopieren Sie den extrahierten Text. Keine Anmeldung oder Installation erforderlich – Sie erhalten 3 kostenlose Extraktionen pro Tag.

Warum dies funktioniert, wenn andere Methoden scheitern: Spezielle Extraktionstools bewältigen alle Sonderfälle, die einfachere Methoden scheitern lassen – gescannte Bilder (OCR), Kopierschutz (serverseitige Verarbeitung), benutzerdefinierte Schriftkodierung (Auflösung der Zeichenzuordnung), mehrspaltige Layouts (Lesereihenfolge-Erkennung) und Tabellen (Strukturerhaltung).

Dies ist auch die einzige Methode, die Ihnen sauberen, absatzweisen Text liefert, anstatt zeilenweise Ausgabe mit zufälligen Umbrüchen mitten im Satz.

Methode 4: Ein Kommandozeilen-Tool verwenden (für Entwickler und Stapelverarbeitung)

Wenn Sie programmgesteuert Text aus vielen PDFs extrahieren müssen, sind Kommandozeilen-Tools und Bibliotheken der richtige Weg.

pdftotext (aus poppler-utils) ist das klassische Unix-Tool: Installieren Sie es mit "apt install poppler-utils" (Linux) oder "brew install poppler" (Mac), führen Sie dann "pdftotext input.pdf output.txt" aus. Es ist schnell, bietet aber keine OCR-Unterstützung und kommt mit komplexen Layouts schlecht zurecht.

pdfplumber (Python) gibt Ihnen mehr Kontrolle: "pip install pdfplumber", dann verwenden Sie die Python-API, um Text seitenweise zu extrahieren, mit Tabellenerkennung und Layoutanalyse. Ideal für strukturierte Dokumente wie Rechnungen und Formulare.

pdf-parse (Node.js) ist das beliebte npm-Paket: "npm install pdf-parse", dann extrahieren Sie Text mit ein paar Zeilen JavaScript. Beachten Sie, dass es von nativen Binärdateien abhängt und Wartungsprobleme hatte.

Für eine alternative, abhängigkeitsfreie Lösung, die mit jeder Sprache funktioniert, können Sie die ParseJet-API aufrufen – eine HTTP-POST-Anfrage pro Datei, keine zu installierenden Bibliotheken, und sie verarbeitet OCR und komplexe Layouts automatisch. Dies ist besonders nützlich in serverlosen Umgebungen (Lambda, Vercel, Cloudflare Workers), wo die Installation nativer Abhängigkeiten mühsam ist.

Was ist mit gescannten PDFs?

Wenn Ihre PDF durch Scannen eines physischen Dokuments oder Aufnehmen eines Fotos erstellt wurde, sind die Seiten Bilder – es gibt keinen Text zum Auswählen, egal welchen Viewer Sie verwenden. Sie benötigen OCR (Optical Character Recognition), um das Bild in Text umzuwandeln.

Ihre Optionen für gescannte PDFs: Google Docs (Methode 2) wendet kostenlos OCR an, kann aber Layouts durcheinanderbringen. ParseJet (Methode 3) wendet OCR mit besserer Layouterkennung an. Tesseract (Open-Source-CLI-Tool) ist eine weitere kostenlose Option, erfordert aber Installation und Konfiguration.

So erkennen Sie, ob Ihre PDF gescannt ist: Versuchen Sie, auf 400%+ zu zoomen. Wenn der Text leicht unscharf oder verpixelt aussieht (wie ein Foto), ist es ein Bild. Wenn die Zeichen bei jedem Zoomfaktor perfekt scharf sind, handelt es sich um eine textbasierte PDF.

Schneller Vergleich: Welche Methode sollten Sie verwenden?

Einfache PDF, einspaltig: Methode 1 (im Viewer auswählen und kopieren). Es ist sofort und kostenlos.

Gescannte PDF oder kopiergeschützt: Methode 2 (Google Docs) für eine kostenlose Lösung oder Methode 3 (ParseJet) für bessere Genauigkeit bei komplexen Layouts.

Mehrspaltig, Tabellen oder verstümmelter Text: Methode 3 (ParseJet) – es ist die einzige Methode, die Layouterkennung und Kodierungsprobleme zuverlässig bewältigt.

Stapelverarbeitung (10+ PDFs): Methode 4 (Kommandozeilen-Tools oder die ParseJet-API) für Automatisierung.