Tekst uit een PDF kopiëren lukt niet: vier oorzaken

Je sleept over een alinea en er licht niets op. Of het licht wel op, maar Kopiëren staat grijs. Of je plakt en krijgt een reeks symbolen alsof het bestand beschadigd is. Of de woorden komen goed door, maar elke regel eindigt met een harde enter. Vier klachten, vier oorzaken, en elk vraagt om een andere aanpak.

Welk probleem heb jij?

• Klikken selecteert de hele pagina als één blok, of helemaal niets: de pagina is een afbeelding, meestal een scan.
• De tekst licht op maar Kopiëren staat grijs, of je PDF-lezer meldt dat kopiëren niet is toegestaan: het bestand heeft beperkingen op de machtigingen. In de documenteigenschappen, onder Beveiliging, staat dat meestal vermeld.
• Kopiëren lukt, maar het geplakte is wartaal: een lettertypeprobleem in de PDF zelf.
• Het geplakte klopt, maar de opmaak is een puinhoop.

Het is een gescande pagina

Een scanner maakt een foto van het papier. Jij kunt de woorden lezen, maar het bestand kent alleen pixels, dus er valt niets te selecteren of te doorzoeken. OCR leest de letters van de afbeelding en legt achter elke pagina een onzichtbare tekstlaag. De pagina ziet er precies zo uit als eerst, en nu kun je selecteren, kopiëren en zoeken.

Onze OCR leest alleen Engels. Een Nederlandse scan wordt grotendeels goed gelezen, maar letters met een trema of accent vallen nogal eens weg. Een scherpe, rechte scan met veel contrast werkt veel beter dan een scheve telefoonfoto. Lees namen en bedragen hoe dan ook na.

Het bestand blokkeert kopiëren

Een PDF kan twee soorten wachtwoord hebben. Het ene houdt het bestand dicht. Het andere, het machtigingswachtwoord, laat iedereen het bestand openen maar vraagt de PDF-lezer om kopiëren, afdrukken of bewerken te blokkeren. Dat laatste zit achter een grijze Kopiëren-knop.

Is het je eigen document, of heeft de eigenaar je toestemming gegeven de tekst te hergebruiken, vul dat wachtwoord dan in bij PDF ontgrendelen en je krijgt een kopie terug zonder beveiliging. Heb je het wachtwoord niet, vraag de afzender dan om een versie zonder beperkingen. Beperkingen op betaalde rapporten of tentamens zitten er meestal niet voor niets op.

Je plakt en krijgt wartaal

In een PDF wordt tekst opgeslagen als codes die verwijzen naar vormen in een ingesloten lettertype. Om die codes weer in letters om te zetten, heeft een PDF-lezer een opzoektabel in het bestand nodig. Sommige software laat die tabel weg of gebruikt een eigen codering, en dan ziet de pagina er perfect uit terwijl kopiëren je de kale codes geeft. Een andere PDF-lezer proberen helpt zelden, want de informatie zit gewoon niet in het bestand.

OCR is de omweg, omdat het de vormen leest en niet de codes. Er is wel een maar. Onze OCR slaat pagina's over die al tekst hebben, om niets dubbel te doen, en een pagina met wartaal telt als pagina met tekst. Je moet de pagina's dus eerst in pure afbeeldingen veranderen:

1. Zet de PDF om met PDF naar PNG op Hoog (300 DPI).
2. Voeg die PNG's met PNG naar PDF weer samen tot een PDF, in de volgorde van de pagina's.
3. Haal het nieuwe bestand door PDF OCR.

Het resultaat is een PDF zoals een scan, met een fatsoenlijke tekstlaag. Hij is groter dan het origineel en de tekst is geen vectortekst meer, dus bewaar het origineel om te lezen en gebruik de OCR-kopie om uit te kopiëren.

De tekst klopt, de regeleinden niet

Een PDF weet niets van alinea's. Hij bewaart regels op posities op de pagina, dus bij het kopiëren eindigt elke regel met een harde enter, en een woord dat over twee regels is afgebroken, houdt zijn streepje. Een dozijn pagina's op die manier kopiëren betekent veel gepriegel met selecteren.

PDF naar tekst zet de tekst van alle pagina's in één .txt-bestand, met een witregel tussen de pagina's. De regeleinden zitten er nog in, maar je hoeft ze maar één keer op te ruimen. Open in Word het venster Vervangen, klik op Meer, vink Jokertekens gebruiken aan en vervang ([a-z,])^13 door \1 gevolgd door een spatie. Dat plakt elke regel die op een kleine letter of komma eindigt aan de volgende vast, en laat de meeste echte alinea-einden staan, want die eindigen op een punt.

Veelgestelde vragen

Waarom vindt zoeken woorden niet die ik gewoon op de pagina zie?

Om dezelfde redenen als bij kopiëren. Op een scan is er geen tekst om te doorzoeken, en in een bestand met een kapot lettertype zoekt de zoekfunctie naar letters die als andere codes zijn opgeslagen. Na OCR werkt zoeken gewoon.

Mag ik kopieerbeperkingen weghalen?

Op je eigen bestanden wel. Op die van een ander alleen met toestemming, en die krijg je meestal het makkelijkst in de vorm van een kopie zonder beperkingen. Onze tool PDF ontgrendelen raadt of kraakt geen wachtwoorden; hij werkt met het wachtwoord dat je al hebt.