PDF in Word, Text oder Markdown: Welches Format wofür?

Alle drei holen die Wörter aus einem PDF. Der Unterschied liegt darin, wie viel von der Seite sie mitnehmen: Word baut die Seite nach, reiner Text behält nur die Zeichen, und Markdown liegt irgendwo dazwischen. Welches Format passt, hängt davon ab, wohin die Wörter als Nächstes wandern.

Word, wenn Sie das Dokument selbst bearbeiten

„PDF in Word“ baut jede Seite als .docx neu auf. Absätze, Schriftgrößen, Fettdruck, Bilder und Tabellen landen ungefähr dort, wo sie waren. Das ist die richtige Wahl, wenn Sie einen Vertrag anpassen, einen Bericht korrigieren oder das Schreiben vom letzten Jahr mit neuen Daten wiederverwenden wollen.

Verloren geht die Bedeutung hinter der Formatierung. Eine Überschrift kommt meist als großer, fetter Text in der Formatvorlage „Standard“ an statt als „Überschrift 1“, und eine mit einer Linie darunter kann sogar zu einer Tabelle mit einer einzigen Zelle werden. Aufzählungspunkte sind oft getippte •-Zeichen statt einer echten Word-Liste. Die Seite sieht richtig aus, aber Navigationsbereich und automatisches Inhaltsverzeichnis finden nichts, bis Sie selbst Überschriften-Formatvorlagen zuweisen. Zweispaltige Layouts und verschachtelte Tabellen sollten Sie genau prüfen.

Reiner Text, wenn Sie nur die Wörter brauchen

„PDF in Text“ liefert eine .txt-Datei mit dem Text aller Seiten und einer Leerzeile zwischen den Seiten. Damit durchsuchen Sie ein langes Dokument im Texteditor, fügen eine Passage ohne mitgeschleppte Schriften in eine E-Mail ein, zählen Wörter oder füttern ein Skript.

Alles Visuelle fällt weg. Bilder und Fettdruck verschwinden, und Tabellen werden zu Zeilen mit Werten, getrennt durch Leerzeichen. Aus einer Umsatztabelle werden Zeilen wie Nord 120 4 %, die Spaltenköpfe stehen irgendwo darüber. Ist eine Zelle leer, lässt sich nicht mehr sagen, welcher Wert wohin gehört. Aufzählungszeichen und Nummern geraten manchmal von ihren Einträgen weg, und eine zweispaltige Seite kann in einer unerwarteten Reihenfolge herauskommen.

Markdown, wenn etwas Struktur übrig bleiben soll

Markdown ist reiner Text mit ein wenig Auszeichnung: # für Überschriften, - für Aufzählungen, senkrechte Striche für Tabellen. Es öffnet sich überall und lässt sich sauber in Obsidian, eine Doku-Seite, eine README oder einen KI-Chat einfügen, in dem eine Tabelle eine Tabelle bleiben soll.

Das liefert unser Werkzeug „PDF in Markdown“ tatsächlich:

• Tabellen: der große Gewinn. Erkennt es ausgerichtete Spalten, schreibt es eine echte Markdown-Tabelle statt eines Durcheinanders von Werten.
• Listen: Nummerierte Listen behalten ihre Nummern, Aufzählungen ihr •-Zeichen, das die meisten Editoren als gewöhnlichen Text behandeln.
• Überschriften: Sie kommen als normale Zeilen an. Ein PDF kennzeichnet eine Überschrift nicht als solche, sie ist nur größerer Text, und der Umwandler rät nicht. Die #-Zeichen ergänzen Sie in jedem Editor in ein paar Minuten.

Fett, kursiv und Bilder kommen nicht mit.

Kurz entschieden

1. Wollen Sie das Dokument bearbeiten und weiterschicken? Word.
2. Enthält es Tabellen, oder landet es in Notizen oder auf einer Doku-Seite? Markdown.
3. Alles andere, auch schnelles Durchsuchen und Einfügen: Text.

Gescannte PDFs brauchen zuerst OCR

Versuchen Sie, in Ihrem PDF einen Satz zu markieren. Wird die ganze Seite wie ein Foto markiert, steckt noch kein Text darin, nur ein Bild von Text, und die drei Werkzeuge gehen damit unterschiedlich um.

• „PDF in Text“ hat das Kästchen „OCR ausführen“. Mit Häkchen liest das Werkzeug zuerst die Seitenbilder. Das dauert länger, und Seiten, die schon echten Text haben, bleiben unberührt.
• „PDF in Markdown“ bricht mit der Meldung ab, es gebe keinen extrahierbaren Text. Schicken Sie die Datei vorher durch „OCR PDF“, klappt es, allerdings kann der erkannte Text doppelte Leerzeichen und die eine oder andere verstümmelte Zeile enthalten.
• „PDF in Word“ liefert ein Dokument aus Seitenbildern, in das sich nichts tippen lässt, und daran ändert auch eine vorherige OCR nichts. Für einen bearbeitbaren Scan holen Sie den Text mit „PDF in Text“ und eingeschalteter OCR heraus und fügen ihn in ein neues Dokument ein.

Bei deutschen Scans gilt eine Einschränkung: Unsere Texterkennung ist nur für Englisch eingerichtet. Umlaute und ß werden deshalb oft verschluckt oder durch ähnliche Zeichen ersetzt. Rechnen Sie also mit etwas Nacharbeit.

Häufige Fragen

Was eignet sich am besten zum Einfügen in ChatGPT oder ein anderes KI-Werkzeug?

Markdown, wenn das PDF Tabellen enthält, denn dann sieht das Modell, welche Zahl in welcher Spalte steht. Für ein Dokument aus reinem Fließtext funktioniert Text genauso gut.

Wie zuverlässig ist die Texterkennung bei deutschen Dokumenten?

Gewöhnliche Buchstaben trifft sie auf sauberen, geraden, kontrastreichen Seiten meist gut. Umlaute und ß erkennt sie nicht zuverlässig, und blasse Kopien, Handschrift und schräg aufgenommene Handyfotos treiben die Fehlerzahl weiter hoch. Prüfen Sie Namen und Zahlen, bevor Sie sich darauf verlassen. Brauchen Sie regelmäßig saubere deutsche Texterkennung, installieren Sie ocrmypdf mit dem deutschen Tesseract-Sprachpaket auf Ihrem eigenen Rechner und rufen es mit -l deu+eng auf.