PDF naar Word, tekst of Markdown: welke heb je nodig?

Alle drie halen ze de woorden uit een PDF. Het verschil zit in hoeveel van de pagina ze proberen te bewaren. Word bouwt de pagina na, platte tekst houdt alleen de tekens over en Markdown zit daar ergens tussenin. Welke je kiest, hangt af van waar die woorden daarna naartoe gaan.

Word: als je het document zelf gaat bewerken

PDF naar Word bouwt elke pagina opnieuw op als .docx. Alinea's, lettergroottes, vetgedrukte tekst, afbeeldingen en tabellen komen ongeveer op hun oude plek terecht. Dit is dus de keuze als je een contract wilt bijwerken, een rapport wilt corrigeren of de brief van vorig jaar met nieuwe data wilt hergebruiken.

Wat je kwijtraakt, is de betekenis achter de opmaak. Een kop komt meestal binnen als grote vette tekst in de stijl Standaard in plaats van als Kop 1, en een kop met een lijn eronder kan zelfs een tabel van één cel worden. Opsommingstekens zijn vaak getypte •-tekens in plaats van een echte Word-lijst. De pagina ziet er goed uit, maar het navigatievenster en een automatische inhoudsopgave vinden niets totdat je zelf kopstijlen toepast. Kijk bij opmaak in twee kolommen en ingewikkelde tabellen extra goed.

Platte tekst: als je alleen de woorden nodig hebt

PDF naar tekst geeft je één .txt-bestand met de tekst van elke pagina en een witregel tussen de pagina's. Handig om een lang document in een teksteditor te doorzoeken, een passage in een mail te plakken zonder dat de lettertypen meekomen, woorden te tellen of een script te voeden.

Alles wat visueel is, verdwijnt. Afbeeldingen en vet vallen weg, en tabellen worden rijen waarden met spaties ertussen. Een omzettabel wordt dan regels als Noord 120 4%, met de kolomkoppen ergens daarboven. Is een cel leeg, dan zie je niet meer welke waarde waar hoort. Opsommingstekens en nummers raken soms los van hun punt, en een pagina met twee kolommen kan in een onverwachte volgorde uitkomen.

Markdown: als een deel van de structuur moet blijven

Markdown is platte tekst met een beetje opmaakcode: # voor koppen, - voor opsommingen, verticale strepen voor tabellen. Het opent overal en plakt netjes in Obsidian, een documentatiesite, een README of een AI-chat waarin je wilt dat een tabel een tabel blijft.

Dit levert onze PDF naar Markdown in de praktijk op:

• Tabellen: de grote winst. Ziet de tool uitgelijnde kolommen, dan schrijft hij een echte Markdown-tabel in plaats van een hoop losse waarden.
• Lijsten: genummerde lijsten houden hun nummers, en opsommingen houden hun •-teken, dat de meeste editors als gewone tekst zien.
• Koppen: die komen door als gewone regels. Een PDF markeert een kop niet als kop, het is gewoon grotere tekst, en de converter gaat niet gokken. De #-tekens zet je er in elke editor snel zelf voor.

Vet, cursief en afbeeldingen gaan niet mee.

Snel kiezen

1. Ga je het document bewerken en doorsturen? Word.
2. Staan er tabellen in, of komt het in je notities of op een documentatiesite? Markdown.
3. Al het andere, van snel zoeken tot knippen en plakken: tekst.

Een gescande PDF heeft eerst OCR nodig

Probeer in je PDF een zin te selecteren. Licht de hele pagina op als een foto, dan zit er nog geen tekst in, alleen een afbeelding van tekst. De drie tools gaan daar elk anders mee om.

• PDF naar tekst heeft een vinkje OCR uitvoeren. Zet het aan en de tool leest eerst de pagina-afbeeldingen. Dat duurt langer, en pagina's die al echte tekst hebben, blijven onaangeroerd.
• PDF naar Markdown stopt met een melding dat er geen tekst uit te halen is. Haal het bestand eerst door PDF OCR, dan lukt het wel, al kan herkende tekst dubbele spaties en hier en daar een verminkte regel bevatten.
• PDF naar Word geeft je een document met pagina-afbeeldingen waarin niets te typen valt, en vooraf OCR uitvoeren verandert daar niets aan. Wil je een scan bewerken, haal de tekst er dan uit met PDF naar tekst en OCR aan, en plak die in een nieuw document.

Veelgestelde vragen

Wat werkt het best om in ChatGPT of een andere AI-tool te plakken?

Markdown als de PDF tabellen bevat, want dan ziet het model welk getal in welke kolom staat. Bestaat het document alleen uit lopende tekst, dan werkt platte tekst net zo goed.

Hoe goed is de OCR bij Nederlandse scans?

Hij leest alleen Engels. Nederlandse tekst komt grotendeels goed door, maar letters met een trema of accent raken nogal eens verloren. Hij werkt het best op schone, rechte pagina's met veel contrast. Vage kopieën, handschrift en schuin gemaakte telefoonfoto's geven meer fouten, dus controleer namen en bedragen voordat je erop vertrouwt.