PDF zu DOCX

Struktur aus Koordinaten zurücklesen

Ein PDF hat keine Absätze. Es hat Glyphen, jede mit Position, Größe und Schrift, und alles, was eine lesende Person als Struktur wahrnimmt, ist eine Wirkung davon, wo diese Glyphen hingesetzt wurden. Ein PDF nach Word zu wandeln heißt, die Struktur zurückzuschließen — und genau dieser Rückschluss, nicht das Dateiformat, ist das ganze Problem.

Zeichen auf gemeinsamer Grundlinie werden zu einer Zeile. Waagerechte Lücken, die breiter sind als ein Fünftel der Schriftgröße, werden zu Wortzwischenräumen — denn ein PDF darf jedes Wort von Hand setzen und gar keine Leerzeichen kodieren. Zeilen bilden einen Absatz, bis etwas anderes dagegen spricht: ein größerer Abstand als der Durchschuss, ein Größenwechsel, ein neuer Einzug, oder eine vorige Zeile, die vor dem Spaltenrand endet — genau so sieht die letzte Zeile eines Absatzes von außen aus.

Die Schalter in der Werkzeugleiste

Absätze wiederherstellen

Führt sichtbare Zeilen wieder zu fließenden Absätzen zusammen und fügt Wörter zurück zusammen, die am Zeilenende getrennt wurden. Schalten Sie auf je eine Zeile bei Lyrik, Code, Formularen und allem anderen, wo der Zeilenumbruch der Inhalt ist.

Seiten

Nur einen Bereich lesen. Bei einem langen Bericht ist das der Unterschied zwischen einer Sekunde und einer Minute, denn fast die gesamte Zeit geht für das Parsen der Seiten drauf.

Überschriften

Stuft kurze Zeilen, die deutlich größer sind als der Fließtext, zu Überschrift 1-4 hoch, damit das Ergebnis eine echte Gliederung und einen Navigationsbereich in Word bekommt.

Listen

Erkennt Aufzählungszeichen und Marken wie 1. / a) / iv., entfernt sie aus dem Text und baut den Eintrag als echte Word-Liste neu auf, eingerückt auf der Ebene, die das Layout nahelegte.

Kopfzeilen entfernen

Verwirft Zeilen, die sich auf den meisten Seiten oben oder unten wiederholen, sowie Zeilen, die nichts als eine Seitenzahl sind. Ohne das erscheint eine laufende Kopfzeile einmal pro Seite mitten in Ihrem Dokument.

Seitenumbrüche

Behält einen ausdrücklichen Umbruch dort, wo jede PDF-Seite endete. Standardmäßig aus, denn ein Word-Dokument fließt neu um, und ein Umbruch mitten im Satz ist schlimmer als gar keiner.

Wo der Rückschluss aufgibt

• Gescannte Seiten. Ein Scan ist ein Bild von Wörtern. Ihn zurück in Wörter zu verwandeln ist OCR, was dieses Werkzeug nicht leistet — solche Seiten kommen als Bilder mit, damit das Dokument vollständig bleibt, und jede wird im Bericht genannt.
• Tabellen. Linierte Tabellen kommen meist als ihr Text in Lesereihenfolge an. Eine echte Tabelle von bloß ausgerichtetem Text zu unterscheiden ist Raten, und falsch geraten wirbelt den Inhalt durcheinander, statt nur das Raster zu verlieren.
• Fett und kursiv. Strichstärke und Neigung sind nur rekonstruierbar, wenn das PDF eine Schrift referenziert statt sie einzubetten. Wo nicht, kommen Überschriften trotzdem fett heraus, weil sie Überschriften sind, und Fließtext kommt schlicht heraus.
• Die Seite als Bild. Word fließt um, PDF nicht — das Ergebnis gibt deshalb die Struktur wieder und nicht die Pixelpositionen. Wenn es auf das visuelle Layout ankommt, erledigt das PDF diese Aufgabe bereits.

Häufige Fragen

Wie kann aus einem PDF überhaupt eine bearbeitbare Word-Datei werden?

Ein PDF speichert keine Absätze — es speichert Glyphen an Koordinaten. Der Konverter liest die Geometrie also zurück: Zeichen auf gleicher Höhe werden zu einer Zeile, der Abstand zwischen Zeilen entscheidet, wo ein Absatz endet und der nächste beginnt, und überdurchschnittlich große Zeilen werden zu Überschriften. Heraus kommt eine echte .docx mit echten Absatz- und Listenformaten statt eines einzigen riesigen Textblocks.

Funktioniert es bei einem gescannten PDF?

Nur teilweise. Ein Scan enthält Bilder von Wörtern, keine Wörter, und sie zurückzulesen braucht OCR, was dieses Werkzeug nicht leistet. Seiten ohne Textebene werden als Bilder übernommen, damit das Dokument vollständig bleibt, und jede wird gemeldet, damit Sie wissen, welche Seiten Sie abtippen müssten.

Warum entspricht das Layout nicht exakt dem PDF?

Weil ein Word-Dokument neu umfließt und ein PDF nicht. Der Konverter gibt die Struktur wieder — Überschriften, Absätze, Listen, Ausrichtung, Einzüge — und nicht die Pixelpositionen, und genau das macht das Ergebnis bearbeitbar. Wenn Sie stattdessen das visuelle Layout erhalten wollen, erledigt das PDF diese Aufgabe bereits.

Was passiert mit Tabellen und Spalten?

Eine linierte Tabelle kommt meist als ihr Text in Lesereihenfolge zurück und nicht als Word-Tabelle: Eine echte Tabelle von zufällig ausgerichtetem Text zu unterscheiden ist ohne die Rahmen Raten, und falsch geraten wirbelt den Inhalt durcheinander. Mehrspaltige Seiten werden Spalte für Spalte gelesen, wenn die Abstände die Spalten deutlich machen, sonst von links nach rechts.

Kann ich nur einen Teil des Dokuments umwandeln?

Ja. Legen Sie in der Werkzeugleiste eine erste und eine letzte Seite fest, dann wird nur dieser Bereich gelesen. Bei einem langen Bericht lohnt sich das: Der Großteil der Zeit geht für Seiten drauf, die Sie vielleicht gar nicht brauchen.

Wofür sind die Schalter für Kopfzeilen und Seitenzahlen?

Eine laufende Kopf- oder Fußzeile wiederholt sich auf jeder PDF-Seite und erschiene sonst dutzendfach mitten in Ihrem Word-Dokument. Ist das Entfernen aktiv, bleiben Zeilen weg, die sich auf den meisten Seiten oben oder unten wiederholen, ebenso Zeilen, die nichts als eine Seitenzahl sind.