Ist PDF wirklich ein nicht bearbeitbares Format?

Technisch gesehen ist PDF ein bearbeitbares Format, es wurde jedoch nicht für die Bearbeitung entworfen. Das Format besteht aus Zeichenbefehlen, die beschreiben, wie die Seite aussehen soll; wenn Sie ein Wort ändern möchten, gibt es keinen Textfluss, weshalb die nachfolgenden Wörter nicht von selbst nachrücken. Deshalb sind PDF-Editoren meist auf kleine Eingriffe beschränkt. Müssen Sie umfangreiche Änderungen an einem Dokument vornehmen, ist es weitaus effizienter, den Inhalt in ein fließendes Format zu überführen, also in ein Word-Dokument.

Wie findet der Konverter den Text, liest er ein Bild der Seite?

Bei textbasierten PDFs betrachtet der Konverter das Seitenbild überhaupt nicht. In der PDF-Datei ist Text als Zeichenbefehl gespeichert, und jeder Befehl gibt an, welche Zeichen an welcher Koordinate in welcher Schriftart und Größe gezeichnet werden. Der Konverter liest diese Befehle, sammelt die Zeichen samt Koordinaten und gruppiert anschließend nahe beieinanderliegende zu Wörtern, Wörter zu Zeilen und Zeilen zu Absätzen. Die Bildverarbeitung, also OCR, kommt nur bei gescannten Dateien ohne Textebene ins Spiel.

Warum liefert dieselbe PDF in verschiedenen Werkzeugen unterschiedliche Ergebnisse?

Weil die entscheidende Phase der Umwandlung, die Strukturableitung, eine Sache des Schätzens ist und jedes Werkzeug eine andere Schätzstrategie verfolgt. Entscheidungen wie die Frage, wie groß der Abstand zwischen zwei Textblöcken sein muss, damit sie als getrennte Absätze gelten, oder welches Ausrichtungsmuster als Tabelle durchgeht, werden in jeder Anwendung mit anderen Schwellenwerten getroffen. Deshalb sehen Sie bei einem einfachen Dokument kaum Unterschiede zwischen den Werkzeugen, während die Ergebnisse bei mehrspaltigen Dokumenten oder solchen mit komplexen Tabellen deutlich auseinandergehen.

Warum kommt Text, den ich aus manchen PDFs kopiere, als sinnlose Zeichenfolge an?

Das rührt daher, dass die Zeichenzuordnung der Schriftart in der PDF fehlt oder fehlerhaft ist. In einer PDF werden Zeichen eigentlich als Indexnummern innerhalb der Schriftdatei gespeichert, und es muss eine Zuordnungstabelle geben, die angibt, welchem echten Buchstaben jede Nummer entspricht. Manche erzeugenden Programme schreiben diese Tabelle unvollständig oder gar nicht. Auf dem Bildschirm sieht die Seite korrekt aus, weil die richtigen Formen gezeichnet werden, doch beim Kopieren erhalten Sie unsinnige Zeichen. Bei solchen Dateien besteht die einzige Lösung darin, die Seite als Bild zu behandeln und OCR anzuwenden.

Wie funktioniert die Umwandlung von PDF zu Word wirklich? Der technische Hintergrund

Zwei Formate, zwei grundverschiedene Philosophien

Der Unterschied zwischen einer PDF und einem Word-Dokument reicht sehr viel tiefer, als die meisten annehmen. Diesen Unterschied zu verstehen, ist zugleich der Schlüssel dazu, zu begreifen, was bei der Umwandlung warum geschieht.

Ein Word-Dokument definiert ein Inhaltsmodell. In der Datei finden sich Informationen dieser Art: Hier steht eine Überschrift erster Ebene, darauf folgen drei Absätze, anschließend beginnt eine dreispaltige Tabelle. Das Dokument sagt nicht, was wo auf der Seite gezeichnet wird; es benennt die Struktur des Inhalts und überlässt die Platzierung dem Programm. Deshalb rückt alles Nachfolgende von selbst nach unten, wenn Sie einem Absatz einen Satz hinzufügen, und der Text fließt neu, wenn Sie die Seitenränder ändern.

Eine PDF hingegen definiert ein Seitenbild. In der Datei stehen Befehle dieser Art: Zeichne mit 72-Punkt-Helvetica die folgenden Zeichen an den Punkt 90 Einheiten rechts und 700 Einheiten oberhalb der linken unteren Seitenecke. Ziehe anschließend von hier nach dort eine Linie der Stärke 0,5. In der Welt der PDF gibt es keine Absätze, keine Tabellen und häufig nicht einmal Wörter. Es gibt nur Zeichen und Formen, die an bestimmte Koordinaten gezeichnet werden.

Diese Entwurfsentscheidung verleiht der PDF ihre größte Stärke: Auf welchem Gerät und unter welchem Betriebssystem Sie die Datei auch öffnen, die Seite sieht exakt gleich aus. Dieselbe Entscheidung macht die Bearbeitung außerordentlich schwierig.

Der Umwandlungsprozess: eine dreistufige Rekonstruktion

Wenn ein Konverter eine PDF in ein Word-Dokument überführt, erledigt er eigentlich drei getrennte Aufgaben.

Stufe 1: Extraktion

Zunächst werden die Zeichenbefehle in der PDF gelesen und jeder Textbaustein mitsamt seinen Angaben erfasst: welche Zeichen, an welcher Koordinate, in welcher Schriftart, in welcher Punktgröße, in welcher Farbe. Was am Ende dieser Stufe vorliegt, ist noch kein Dokument, sondern Hunderte oder Tausende kleiner Textfragmente, über die Seite verstreut. Diese Stufe funktioniert im Allgemeinen reibungslos, weil die Aufgabe darin besteht, Informationen zu lesen, die in der Datei ohnehin ausdrücklich niedergeschrieben sind.

Stufe 2: Strukturableitung

Hier liegt der wirklich schwierige Teil, und genau diese Stufe bestimmt die Umwandlungsqualität. Der Konverter hat Textfragmente samt ihren Koordinaten vorliegen und muss daraus eine logische Dokumentstruktur ableiten.

Der Algorithmus sucht Antworten auf Fragen dieser Art: Gehören zwei nebeneinanderstehende Zeichen zum selben Wort, oder ist der Abstand dazwischen eine Wortgrenze? Sind zwei untereinanderstehende Zeilen die Fortsetzung desselben Absatzes, oder beginnt ein neuer Absatz? Sind der Text auf der linken und der auf der rechten Seitenhälfte zwei getrennte Spalten oder zwei Zellen einer breiten Tabelle? Warum ist diese Zeile in größerer Punktgröße gesetzt als die übrigen, sollte sie eine Überschrift sein?

Bemerkenswert ist Folgendes: Keine dieser Antworten steht in der Datei. Alle sind Schlüsse, die anhand von Koordinaten und Formatangaben gezogen werden. Ein Mensch sieht diese Struktur beim Blick auf die Seite sofort, weil er über eine über Jahre gewachsene Intuition dafür verfügt, wie Dokumente aufgebaut sind. Ein Algorithmus entscheidet dagegen allein anhand numerischer Schwellenwerte, und diese Schwellen liegen bisweilen falsch.

Stufe 3: Wiederaufbau

Die abgeleitete Struktur wird in einer Form neu geschrieben, die Word versteht. Was als Absatz erkannt wurde, wird zum Absatz, was als Tabelle erkannt wurde, zur Tabelle, und was als Überschrift erkannt wurde, wird mit einer Überschriftenformatvorlage angelegt. Bilder werden extrahiert und im Dokument platziert. Auch in dieser Stufe gibt es einen Kompromiss: Der Konverter stellt entweder die optische Ähnlichkeit voran und ahmt die Seite exakt nach, indem er alles in Textfelder setzt, oder er stellt die Bearbeitbarkeit voran und erzeugt fließende Absätze. Ersteres ähnelt auf dem Bildschirm stärker dem Original, lässt sich aber schwer bearbeiten; Letzteres ist leicht zu bearbeiten, weicht optisch aber etwas ab.

Warum ist keine Umwandlung perfekt?

Aus allem bisher Beschriebenen folgt: Der Verlust bei der Umwandlung ist kein Mangel der Software, sondern ein Mangel an Information. Absatzstruktur, Spaltenaufbau oder Tabellendefinitionen sind in der PDF-Datei häufig schlicht nicht vorhanden. Ein Konverter kann Informationen, die es nicht gibt, nicht lesen, sondern nur erraten.

Deshalb hängt die Umwandlungsqualität unmittelbar mit der Komplexität des Ausgangsdokuments zusammen. Ein Vertrag aus einspaltigem Text und schlichten Absätzen wird nahezu identisch umgewandelt, weil es sehr wenig zu erraten gibt. Bei einer Designbroschüre mit verschachtelten Kästen, Hintergrundbildern und in verschiedene Richtungen fließendem Text gibt es dagegen viel zu erraten, und jede Schätzung trägt eine Fehlerspanne in sich.

Es gibt noch eine Ausnahmekategorie: die getaggte PDF. Der PDF-Standard erlaubt es, strukturelle Tags in die Datei einzubetten; diese Tags geben ausdrücklich an, welcher Text eine Überschrift und welcher eine Tabellenzelle ist. In Unternehmensdokumenten, die nach Barrierefreiheitsanforderungen erstellt wurden, sind solche Tags vorhanden, und die Umwandlungsqualität steigt merklich, weil kein Raten mehr nötig ist. Leider ist die große Mehrheit der in der Praxis anzutreffenden PDFs ungetaggt.

Gescannte PDF: ein völlig anderes Problem

Alles bisher Beschriebene galt für PDFs, die echten Text enthalten. Bei einem gescannten Dokument ändert sich die Lage grundlegend, denn es gibt keine Textbefehle zu lesen; es gibt nur eine Fotografie der Seite.

Bei diesen Dateien muss zuerst OCR laufen, also die optische Zeichenerkennung. OCR analysiert Pixelmuster im Bild, erkennt Buchstaben und überführt sie in echten Text. Das ist ein von der Umwandlung unabhängiger Vorgang mit einer eigenen Fehlerspanne. Die Erkennungsgenauigkeit hängt von der Scanauflösung ab, davon, ob die Seite gerade ausgerichtet ist, wie sauber das Papier ist und wie gut lesbar die Schrift. Handschrift, niedrig aufgelöste Scans oder schief aufgenommene Handyfotos erzeugen erhebliche Fehlerquoten.

Folglich überlagern sich bei einem gescannten Dokument zwei Fehlerquellen: zunächst die Erkennungsfehler der OCR, dann die Auslegungsfehler der Strukturableitung. Bei solchen Dateien ist es unverzichtbar, das Ergebnis im Abgleich mit dem Original zu lesen, insbesondere wenn Zahlen und Eigennamen im Spiel sind.

Wozu nützt dieses Wissen in der Praxis?

Zu wissen, wie die Umwandlung funktioniert, lässt Sie das Ergebnis mit der richtigen Erwartung beurteilen. Sehen Sie auf einer komplexen Seite Brüche, wissen Sie, dass diese unvermeidlich waren und ein anderes Werkzeug meist kein grundlegend anderes Ergebnis liefert. Sehen Sie umgekehrt bei einem einfachen Dokument Brüche, liegt vermutlich ein spezielles Problem in der Datei vor, etwa bei der Schriftzuordnung, und dem nachzugehen lohnt sich.

Dasselbe Wissen hilft Ihnen auch, die Sache von vornherein richtig aufzusetzen. Erstellen Sie das Dokument selbst und wissen, dass es später bearbeitet werden muss, ist es besser als jede Umwandlung, die originale Quelldatei aufzubewahren. Die Umwandlung ist ein Rettungsweg für Fälle, in denen Sie nicht an das Original herankommen, und für diesen Zweck funktioniert sie recht gut. Wenn Sie es mit Ihrer eigenen Datei ausprobieren möchten, können Sie das Tool zur Umwandlung von PDF in Word nutzen.

Zusammengefasst

Eine PDF ist ein festes Seitenbild, ein Word-Dokument ein fließendes Inhaltsmodell. Die Umwandlung ist die Aufgabe, anhand fester Koordinaten eine nicht vorhandene Struktur neu zu erschließen. Die Textextraktion ist zuverlässig, die Strukturableitung trägt eine Fehlerspanne, die mit der Komplexität des Dokuments schwankt. Bei einfachen Dokumenten ist das Ergebnis nahezu perfekt, bei gestaltungslastigen Seiten ist manuelle Nacharbeit nötig, und bei gescannten Dokumenten fügt OCR eine eigene Fehlerebene hinzu. Mit diesem Wissen zu arbeiten, lässt Sie die Umwandlung am richtigen Ort einsetzen und das Ergebnis mit dem richtigen Blick prüfen.