Text aus PDF online extrahieren

Extrahieren Sie die Textebene eines PDFs oder erkennen Sie Text auf gescannten Seiten per OCR und speichern Sie ihn als reinen Text.

OCR-Sprache:

Wählen Sie bei gescannten PDFs vor dem Hochladen die Sprache des Dokuments. Wenn Sie sie später ändern, wird die aktuelle Datei erneut gelesen.

PDF-Datei auswählen oder hier per Drag & Drop ablegen

Extrahiert Text und unterstützt OCR für gescannte Bild-PDFs

🔤

CMap-Schriftdekodierung

Nutzt die Zeichenzuordnungen (CMaps) von PDF.js, um viele ostasiatische und individuell kodierte Schriften zu dekodieren. Bei PDFs mit unvollständigen Schriftdaten können dennoch falsche Zeichen entstehen.

👁️

OCR für gescannte Seiten

Seiten mit kaum extrahierbarem Text werden per Tesseract.js-OCR gelesen. Die Genauigkeit hängt von Scanqualität, Sprache und Layout ab.

🔒

Verarbeitung im Browser

Dokumente werden lokal im Browserspeicher analysiert.

So geht's

Das Tool liest zuerst die im PDF gespeicherte Textebene. Hat eine Seite kaum Text, etwa bei einem gescannten Dokument, wird sie als Bild gerendert und im Browser per OCR erkannt. Die OCR-Engine und ihre Sprachdaten werden beim ersten OCR-Lauf von leedybox.com geladen; Ihr PDF selbst wird nicht hochgeladen.

Wählen Sie die OCR-Sprache, bevor Sie die Datei hinzufügen, damit gescannte Seiten mit dem richtigen Alphabet gelesen werden. Sie ist für die Sprache dieser Seite voreingestellt.
Klicken Sie auf die Ablagefläche oder ziehen Sie eine PDF-Datei darauf. Die Extraktion beginnt sofort und arbeitet die Seiten nacheinander ab.
Seiten mit einer Textebene werden direkt gelesen. Eine Seite mit fast keinem Text, etwa ein Scan, wird als Bild gezeichnet und per OCR erkannt, was länger dauert; der Fortschrittsbalken zeigt, welche Seite gerade gelesen wird.
Prüfen Sie das Ergebnis im Textfeld. Jede Seite beginnt mit einer Zeile wie --- Seite 1 ---.
Klicken Sie auf „Text kopieren“ oder „Als .TXT speichern“, um das Ergebnis zu behalten, oder auf „Datei ändern“, um ein anderes PDF zu lesen.

Häufig gestellte Fragen

Warum sieht extrahierter Text manchmal unleserlich aus?

Manche PDFs speichern Zeichen mit eigenen Schriftkodierungen. LeedyBox lädt CMap-Tabellen, um viele davon zu entschlüsseln, doch Schriften ohne korrekte Unicode-Zuordnung können weiterhin falsche Zeichen liefern. Vergleichen Sie das Ergebnis mit dem Originaldokument.

Funktioniert es mit gescannten Dokumenten?

Ja. Hat eine Seite kaum eine Textebene, erkennt die integrierte Tesseract.js-OCR-Engine die Zeichen im Seitenbild. Handschrift, Scans mit geringer Auflösung, ungewöhnliche Schriften und Sprachen, die nicht in der OCR-Spracheinstellung enthalten sind, verringern die Genauigkeit.

Bleibt das Layout von Tabellen und Spalten erhalten?

Nicht genau. Die Ausgabe ist reiner Text: Tabellen, Spalten und Textfelder werden in Zeilen aufgelöst, und die Lesereihenfolge kann von der Darstellung auf der Seite abweichen.

Wird mein PDF hochgeladen?

Nein. Der Text wird in Ihrem Browser gelesen. Braucht eine Seite OCR, werden die OCR-Engine und ihre Sprachdaten von leedybox.com geladen, Ihr PDF wird aber nirgendwohin gesendet.

Welche OCR-Sprache wähle ich für ein Dokument in zwei Sprachen?

Wählen Sie die Option mit der Hauptsprache des Dokuments; alle Optionen außer „Nur Englisch“ erkennen auch Englisch. Text in einer nicht ausgewählten Sprache wird oft als falsche Zeichen gelesen.

Warum ist die OCR langsam?

Nachdem die OCR-Engine und die Sprachdaten geladen sind, wird jede gescannte Seite einzeln in Ihrem Browser erkannt. Auf einem langsamen Gerät kann eine Seite mehrere Sekunden oder länger dauern, ein langes gescanntes Dokument braucht also Geduld.