Warum kopierter PDF-Text bei jeder Zeile umbricht

Text, der aus einem PDF kopiert wird, bricht nach jeder Zeile um, weil ein PDF keine Absätze speichert. Es speichert jede sichtbare Zeile als eigenes Textstück an einer festen Position auf der Seite. Beim Kopieren muss das Programm deshalb raten, wo ein Satz wirklich endet. Die meisten Programme raten, indem sie an jedem Zeilenende des Originals einen Umbruch setzen, und dein Absatz zerfällt in dutzende kurze Zeilen.

Eingefügten Text reparierenEingefügter Text hat kaputte ZeilenKostenlos loslegen

Warum PDFs Absätze zerlegen

Ein Textverarbeitungsprogramm speichert einen Absatz als einen langen Textfluss, und das Layout bricht ihn beim Anzeigen auf die Seitenbreite um. Ein PDF funktioniert umgekehrt. Es ist eher eine Sammlung von Zeichenanweisungen: Diese Wortfolge hierhin, die nächste dorthin. Der Zeilenumbruch wurde beim Erstellen der Datei festgelegt, und die Datei speichert die Zeilenpositionen statt der Absatzstruktur.

Wenn du markierst und kopierst, muss das Programm den Textfluss aus diesen Positionen neu aufbauen. Viele Programme setzen an jedem sichtbaren Zeilenende einen Umbruch und können nicht immer unterscheiden, ob ein Zeilenende mitten im Satz liegt oder einen echten Absatz beendet. Das Ergebnis sieht auf der Seite richtig aus und im Textfeld falsch.

Drei weitere Dinge machen es schlimmer:

• Getrennte Zeilenenden. Ein Wort, das am Ende einer Zeile als „inter-“ und am Anfang der nächsten als „national“ steht, wird als zwei Teile mit einem Umbruch dazwischen kopiert. Manche Programme behalten den Bindestrich, manche entfernen ihn, und manche lassen den Umbruch stehen.
• Spalten. Zweispaltige Layouts können zuerst die ganze linke Spalte und danach die rechte kopieren oder Zeilen aus beiden Spalten in einem Durchgang mischen.
• Kopf- und Fußzeilen sowie Seitenzahlen. Sie werden mitten in einen Satz kopiert, wenn ein Absatz einen Seitenwechsel überspannt.

Die Lösung

Die Reparatur ist eine kurze Regelfolge, die der Reihe nach angewendet wird:

1. Verbinde Zeilen, die keinen Satz beenden. Endet eine Zeile mit einem Kleinbuchstaben, einem Komma oder einem Wort ohne Punkt, setzt die nächste Zeile fast immer fort.
2. Behalte einen Umbruch dort, wo das Original einen Absatzabstand hatte. Endet eine Zeile mit Punkt, Fragezeichen oder Doppelpunkt und folgt darauf eine kurze oder eingerückte Zeile, beginnt oft ein neuer Absatz.
3. Entferne den Bindestrich am Zeilenende nur, wenn er ein Wort teilt. Aus „inter-“ und „national“ wird „international“. Ein echtes Kompositum wie „well-“ und „known“ sollte zu „well-known“ werden. Prüfe das zusammengefügte Wort deshalb am Satzzusammenhang.
4. Lösche wiederholte Kopf- und Fußzeilen sowie Seitenzahlen, die auf jeder Seite einmal vorkommen.

Hier ist ein Beispiel. So sieht eine Kopie oft aus:

The committee met on Tuesday to review
the budget. Three members asked for more
time, and the chair agreed to a short delay.

Nach dem Verbinden der Zeilen, die einen Satz fortsetzen, liest sich das so:

The committee met on Tuesday to review the budget. Three members asked for more time, and the chair agreed to a short delay.

Füge die Kopie in Eingefügten Text bereinigen ein, dann werden die Verbindungen in einem Durchgang erledigt. Prüfe danach auf unsichtbare Zeichen, die mit der Kopie gekommen sein könnten. Unsichtbare Zeichen entfernen zeigt dir, was gefunden wurde, bevor etwas verändert wird, und im Leitfaden zu unsichtbaren Zeichen steht, woher sie kommen.

Spalten und Tabellen

Spalten sind der schwierigste Fall. Am sichersten ist es, jeweils eine Spalte zu markieren statt über beide zu ziehen. Hat das PDF eine eindeutige Leserichtung, kopiere die ganze Seite einmal und prüfe dann die erste und letzte Zeile jeder Spalte. Sind die Wörter aus beiden Spalten vermischt, musst du stückweise kopieren.

Tabellen sind noch schwieriger. Eine aus einem PDF kopierte Tabelle landet oft mit einer Zelle pro Zeile, sodass du die Zeilen selbst wieder aufbauen musst. Alternativ fügst du sie mit einem Tabulator oder einem festen Trennzeichen in eine Tabellenkalkulation ein. Bei einer Tabelle mit mehr als ein paar Zeilen ist ein Werkzeug zur Textextraktion, das die Spalten erhält, schneller, und das Ergebnis lässt sich danach bereinigen.

Wenn das PDF ein Scan ist

Ist das PDF ein Scan, gibt es keinen Text zum Kopieren. Jede Seite ist ein Bild, du siehst also alles, was es gibt. Du brauchst zuerst eine optische Zeichenerkennung (OCR). Erstelle ein Bild der Seite und lies es dann mit dem Tool Bild zu Text (OCR) aus, das in deinem Browser läuft. OCR bringt eigene Fehler mit, etwa „rn“, das als „m“ gelesen wird, oder „0“, das als „O“ erkannt wird. Prüfe den erkannten Text deshalb gegen das Original, bevor du dich darauf verlässt. Der Leitfaden zu Screenshots und Fotos zeigt, wie du ein saubereres Ergebnis bekommst.

Sonderfälle

• Gedichte, Code und Adressen haben Zeilenumbrüche, die wichtig sind. Verbinde nur Zeilen, die offensichtlich umgebrochen wurden, und lass den Rest unverändert.
• Ein weicher Umbruch (ein Zeilenumbruch durch den Satz) und ein harter Umbruch (ein echter Absatz) können nach dem Kopieren gleich aussehen. Lies den ersten Absatz nach dem Bereinigen durch und korrigiere Verbindungen, die falsch wirken.
• Wenn der bereinigte Text bei der Suche nach einem Wort, das du siehst, nicht gefunden wird, hat die Kopie wahrscheinlich unsichtbare Zeichen mitgebracht. Vergleiche die Kopie mit dem Original, um die Unterschiede zu finden.
• Wenn du das ursprüngliche Layout behalten musst, kopiere in einen Texteditor mit der Option „Als Nur-Text einfügen“, statt von Hand zu bereinigen.

So geht es mit fixmint

1. Kopiere den Text aus dem PDF oder führe PDF in Text umwandeln aus, um den Text zuerst aus der Datei zu holen.
2. Füge ihn bei Eingefügter Text im Tool Eingefügten Text bereinigen ein.
3. Lass Unterbrochene Zeilen innerhalb von Absätzen verbinden und Am Zeilenende getrennte Wörter wieder zusammensetzen aktiviert, wie sie standardmäßig sind. Aktiviere Typografische Anführungszeichen glätten, wenn der Text aus einer Textverarbeitung stammt, und Zeilen entfernen, die nur eine Seitenzahl enthalten, wenn die Kopie Seitenzahlen enthält.
4. Lies die erste und letzte Zeile jedes Absatzes. Das Tool entfernt Zeilen mit Seitenzahlen, aber keine wiederholten Kopf- oder Fußzeilen, diese musst du von Hand löschen.
5. Kopiere das Ergebnis oder nutze Als .txt herunterladen.

Kurze Antworten

Warum hat kopierter PDF-Text bei jeder Zeile einen Umbruch?

Ein PDF speichert jede sichtbare Zeile als eigenes, positioniertes Textstück, deshalb behält die Kopie die Zeilenenden. Die Lösung ist, Zeilen zu verbinden, die einen Satz fortsetzen, und Umbrüche nur an echten Absatzabständen zu behalten.

Wie verhindere ich, dass getrennte Wörter auseinanderfallen?

Entferne den Bindestrich nur dort, wo die beiden Hälften ein Wort bilden, etwa bei „inter-“ und „national“. Bei echten Komposita wie „well-known“ bleibt er erhalten. Prüfe das am Satzzusammenhang.

Kann ich eine Tabelle aus einem PDF in eine Tabellenkalkulation kopieren?

Oft ja, meist aber nur bei einer tabulatorgetrennten Kopie oder einer Kopie mit fester Breite. Bei Tabellen mit vielen Zeilen ist ein Werkzeug zur Textextraktion, das die Spalten erhält, schneller, als jede Zelle einzeln zu korrigieren.