Warum aus einem PDF kopierter Text unleserlich ankommt

Ein PDF zeichnet Glyphen, keine Zeichen

Der Inhaltsstrom einer Seite enthält nicht deinen Text. Er enthält Zahlen.

Jede Zahl ist ein Code. Die Schriftressource an der Seite bildet diesen Code auf einen Umriss ab — eine Form zum Zeichnen. Das ist die einzige Tabelle, die ein PDF haben muss, weil es die einzige ist, die man braucht, um Markierungen auf eine Seite zu setzen, und deshalb sieht das Dokument perfekt aus.

Das Kopieren braucht die Tabelle in die andere Richtung: Dieser Code bedeutet das Zeichen U+0041, großes A. ISO 32000-1 sieht genau das vor, als ToUnicode-CMap an der Schrift. Sie ist optional. Ein Erzeuger, dem nur daran lag, dass das Dokument richtig druckt, hatte keinen Grund, eine zu schreiben, und nichts in der Datei beklagt ihr Fehlen.

Subsetting macht das Versagen schlimmer. Wenn ein Erzeuger nur die Glyphen einbettet, die ein Dokument tatsächlich verwendet, darf er sie nummerieren, wie er will — gewöhnlich 1, 2, 3 in der Reihenfolge, in der die Zeichen zuerst vorkamen. Ohne eine ToUnicode-Tabelle bedeuten diese Zahlen überhaupt nichts; mit einer bedeuten sie, was sie sagt. Warum ein PDF auf einem anderen Rechner anders aussieht behandelt Subsetting und die übrigen Überraschungen, die es verursacht.

Die Folge, die man sich merken sollte: Das ist eine Eigenschaft der Datei, nicht deines Rechners. Betrachter, Betriebssystem, Schrifteinstellungen oder Einfügeziel zu wechseln hilft nicht, denn sie alle schlagen in derselben fehlenden Tabelle nach. Es ist auch der Grund, warum das Suchen im Dokument nichts findet — der Betrachter vergleicht, was du getippt hast, mit derselben kaputten Tabelle.

Welches davon ist deines

Das Symptom benennt die Ursache ziemlich verlässlich, und die Ursache entscheidet, ob sich etwas machen lässt.

Die erste Zeile ist die, die man vor allem anderen ausschließen sollte, denn sie ist häufig und sie ist nicht das Problem dieses Artikels. Wenn sich nichts hervorhebt, während du über die Seite ziehst, hast du einen Scan, und da ist kein Text, der verstümmelt sein könnte.

Ist dieses PDF gescannt oder ist es Text? behandelt, wie du die beiden in ein paar Sekunden auseinanderhältst.

Leerzeichen und Reihenfolge sind ein anderes Problem

Diese beiden erzeugen lesbar wirkendes Trümmerwerk statt Unsinn, und sie haben eine andere Ursache als die fehlende Tabelle.

Vielleicht gibt es in der Datei keine Leerzeichen

Nichts verlangt, dass ein PDF Leerzeichen enthält. Eine Textzeile wird typischerweise als Folge von Zeichenketten mit numerischen Versätzen dazwischen gezeichnet, und der Versatz ist das, was die Lücke zwischen zwei Wörtern macht. Ob diese Lücke ein Leerzeichen ist, ist eine Einschätzung, die ein Extraktor aus der Breite trifft: zu großzügig, und Wörter kleben zusammen; zu eifrig, und Wörter zerfallen in zwei. Das ist eine Heuristik, und deshalb sind sich zwei Tools bei derselben Datei uneins, ohne dass eines unrecht hätte.

Die Reihenfolge ist die, in der gezeichnet wurde

Der Inhaltsstrom steht in der Reihenfolge, in der die erzeugende Anwendung die Markierungen ausgegeben hat. Eine Layout-Engine, die Textrahmen abarbeitet, wechselt womöglich zwischen zwei Spalten hin und her; eine Vorlage setzt die Fußzeile vielleicht vor den Fließtext; eine Tabelle wird vielleicht Zelle für Zelle spaltenweise gezeichnet statt zeilenweise. Nichts in einem gewöhnlichen PDF hält fest, dass diese Markierungen eine Spalte, eine Fußnote oder eine Tabelle waren — die Spalten entstehen in deinem Lesen der Seite, nicht in der Datei.

Extraktoren gleichen das aus, indem sie die Markierungen nach Position sortieren, was bei einfachen zweispaltigen Seiten gut und bei komplizierten Layouts schlecht funktioniert. Ein getaggtes PDF ist die Ausnahme: Es trägt einen Strukturbaum, der die tatsächliche Lesereihenfolge angibt, und ein Extraktor, der sich daran hält, bekommt die richtige Antwort, ohne zu raten. Das ist einer der echten praktischen Vorteile des Taggens, ganz unabhängig von der Barrierefreiheitspflicht, für die es meist existiert — siehe was ein PDF barrierefrei macht.

Was wirklich hilft, der Reihe nach

1. Probier vor allem anderen einen anderen Extraktor. PDF in Text läuft in deinem Browser auf PDF.js und beachtet ToUnicode-Tabellen, wo es sie gibt. Kommt korrekter Text zurück, war nie die Datei das Problem, sondern das Kopierverhalten deines Betrachters — eine Erkenntnis von zwei Minuten, die vor einer von zwei Stunden lohnt.
2. Ist die Tabelle kaputt, hilft kein Tool, das die Textebene liest. Jeder Extraktor liest dieselbe Tabelle. Umwandeln nach Word, in eine Tabellenkalkulation oder in reinen Text schlägt alles dort nach, sie liefern also denselben Unsinn in unterschiedlicher Verpackung. Das ist der Punkt, an dem man aufhören sollte, Tools zu probieren.
3. Ignorier die Textebene und lies die Seite als Bild. Das ist OCR: die Seite rendern, die Formen erkennen, eine frische Textebene schreiben. Es ist der einzige verlässliche Ausweg aus einer kaputten Tabelle, und es hat zwei Kosten — die Erkennung macht ihre eigenen Fehler, und das Tool läuft auf einem Server, das Dokument wird also hochgeladen. Bei einer vertraulichen Datei ist das eine Entscheidung und kein Klick.
4. Geht es um Abstände oder Reihenfolge, extrahiere und räum auf. Ein Durchgang mit Suchen und Ersetzen über den extrahierten Text behebt Ligaturen und zusammengeklebte Wörter meist schneller als jedes Tool. Für ein Dokument, an dem du weiterarbeiten musst, gibt dir PDF in Word etwas Bearbeitbares zum Reparieren — ebenfalls serverseitig, und was ein Konverter erhalten kann und was nicht lohnt vorher gelesen zu werden.
5. Erzeugst du die Datei selbst, bring es an der Quelle in Ordnung. Exportiere, statt in PDF zu drucken, bette die Schriften ein und tagge das Dokument. Eine Datei, die aus einer aktuellen Textverarbeitung exportiert wurde, lässt sich fast immer korrekt kopieren, und die, bei denen es nicht klappt, sind meist die, die unterwegs durch einen Druckertreiber gegangen sind.

Und das Unglamouröse: Bei ein, zwei Seiten ist Abtippen oft schneller als alles Obige. Das gehört ausgesprochen, denn Leute verbringen eine Stunde mit einer Fünfminutenaufgabe, aus dem Gefühl heraus, der Computer müsste das doch können.

Was kein Tool kann

• Es kann keine Tabelle rekonstruieren, die nie geschrieben wurde. Die Information ist nicht versteckt oder verschlüsselt, sie ist nicht da. Was behauptet, eine kaputte ToUnicode-Tabelle zu reparieren, erschließt Zeichen aus Glyphenformen, und das ist optische Zeichenerkennung mit einem anderen Etikett.
• OCR gibt dir eine neue beste Vermutung, nicht das Original. Ihre Fehler häufen sich genau dort, wo du sie dir am wenigsten leisten kannst — Ziffern, Aktenzeichen, Nachnamen, alles, was du nicht durch sinnvolles Lesen prüfen kannst. Lies alles gegen, wonach du handeln willst.
• Korrekte Extraktion ist immer noch nicht das Dokument. Tabellen kommen als Zeilen zurück, Fußnoten kommen mittendrin, Bildunterschriften kommen losgelöst von ihren Abbildungen. Jedes Zeichen richtig zu bekommen sagt nichts über die Struktur, und keine Genauigkeit auf Zeichenebene wird das je tun.
• Rechts-nach-links- und komplexe Schriften haben ein zweites Versagen darüber. Manche Erzeuger schreiben Arabisch oder Hebräisch in visueller Reihenfolge und verwenden Präsentationsformen statt der zugrunde liegenden Buchstaben. Eine korrekte Zeichentabelle liefert dann Text, der technisch richtig ist und rückwärts liest, und ihn wieder in die logische Reihenfolge zu bringen ist eine eigene Aufgabe.

Die nützliche Gewohnheit ist, vor der Festlegung zu testen: eine Seite nehmen, sie extrahieren und lesen, was herauskommt. Zwei Minuten am Anfang entscheiden, ob dieses Dokument ein Kopieren-und-Einfügen-Fall oder ein Abtippfall ist, und das ist hier die einzige Entscheidung, auf die es wirklich ankommt.