← Zurück zum Blog

PDF Text extrahieren: 4 Methoden, die wirklich funktionieren

October 28, 2026

PDF Text extrahieren heißt, den Text aus einer PDF-Datei als bearbeitbaren Text herauszulösen, zum Beispiel zum Kopieren in ein Dokument, für eine Suche oder zur Weiterverarbeitung. Das funktioniert direkt, wenn die PDF eine Textebene enthält, also wenn der Text beim Erstellen der Datei eingebettet wurde. Bei eingescannten PDFs gibt es keine Textebene: Die Seite ist nur ein Bild, und der Text muss erst per Texterkennung (OCR) gelesen werden. Entscheidend ist also zuerst die Frage, was für eine PDF vor Ihnen liegt.

PDF Text extrahieren per Kopieren und Einfügen

Der schnellste Weg braucht keine zusätzliche Software. Öffnen Sie die PDF in einem PDF-Reader, markieren Sie den gewünschten Text oder alles mit Strg+A bzw. Cmd+A, kopieren Sie ihn und fügen Sie ihn in ein Textdokument oder eine Textverarbeitung ein. Für kurze Abschnitte aus einer sauber erstellten PDF ist das völlig ausreichend.

Zwei Einschränkungen sollten Sie kennen. Erstens liest der Reader den Text in der Reihenfolge, in der er in der Datei liegt, nicht unbedingt in der Reihenfolge, in der Sie ihn auf der Seite lesen. Bei mehrspaltigen Layouts, Textboxen oder Fußnoten kann die Reihenfolge dadurch durcheinandergeraten. Zweitens bleiben Zeilenumbrüche aus dem Original oft als harte Umbrüche im eingefügten Text stehen, sodass ein Absatz in viele kurze Zeilen zerfällt. Für ein Zitat oder eine kurze Passage lohnt sich das manuelle Aufräumen, für ein ganzes Buch nicht.

PDF Text extrahieren mit einem Online-Tool

Online-Tools nehmen Ihnen die Arbeit ab: Datei hochladen, Text als Datei oder direkt im Browser erhalten, fertig. Das ist praktisch, wenn Sie nur gelegentlich Text aus einer PDF brauchen und nichts installieren möchten.

Achten Sie bei dieser Methode auf einen Punkt: Bei vielen Online-Tools wird Ihre Datei zur Verarbeitung auf einen Server hochgeladen. Für unkritische Dokumente ist das kein Problem. Enthält die PDF dagegen vertrauliche Inhalte, etwa Verträge, Bewerbungen oder interne Berichte, ist eine lokale Verarbeitung die bessere Wahl. Wie Sie prüfen, was sonst noch in einer Datei steckt, bevor Sie sie weitergeben, erklärt unser Beitrag zum Entfernen von PDF-Metadaten.

PDF Text extrahieren per Befehlszeile: pdftotext

Wer regelmäßig Text aus PDFs braucht, kommt mit einem kleinen Werkzeug deutlich weiter. Das bekannteste ist pdftotext aus dem Poppler-Paket, das auf Linux, macOS und Windows verfügbar ist. Ein Aufruf genügt:

pdftotext dokument.pdf ausgabe.txt

Danach liegt der gesamte Text der PDF als Textdatei vor, Seite für Seite. Mit der Option -layout versucht pdftotext zusätzlich, das ursprüngliche Layout annähernd zu erhalten, was bei Tabellen und Spalten hilft. Der Vorteil gegenüber Kopieren und Einfügen: Der Ablauf lässt sich wiederholen und für viele Dateien automatisieren, ohne jede Datei einzeln zu öffnen.

PDF Text extrahieren mit Python

Für eigene Skripte oder größere Mengen an Dateien ist Python die flexibelste Lösung. Die Bibliotheken pypdf und pdfplumber lesen den Text einer PDF direkt aus. Ein kurzes Beispiel mit pypdf:

from pypdf import PdfReader
reader = PdfReader("dokument.pdf")
text = "\n".join(page.extract_text() or "" for page in reader.pages)

Damit haben Sie den Text aller Seiten in einer Variablen und können ihn weiterverarbeiten: durchsuchen, zählen, in eine Datenbank schreiben oder als Grundlage für eine Auswertung nutzen. pdfplumber eignet sich zusätzlich, wenn Tabellen eine Rolle spielen, weil es die Struktur von Tabellenzellen besser erkennt. Beide Bibliotheken arbeiten nur mit PDFs, die bereits eine Textebene haben. Für eingescannte Seiten brauchen Sie zuerst OCR, wie im nächsten Abschnitt beschrieben.

Warum extrahierter Text oft unordentlich aussieht

Wenn das Ergebnis nicht so aussieht wie das Original, liegt das fast immer an der Art, wie Text in PDFs gespeichert wird. Eine PDF beschreibt, wo jedes Zeichen auf der Seite steht, aber nicht unbedingt, in welcher logischen Reihenfolge die Wörter gelesen werden. Typische Folgen:

  • Spalten werden quer gelesen: Der Text der linken Spalte mischt sich mit dem der rechten, weil die Datei die Zeichen in einer anderen Reihenfolge speichert, als das Auge sie liest.
  • Wörter sind am Zeilenende getrennt: Trennstriche aus dem Original bleiben im extrahierten Text stehen, sodass ein Wort als zwei Bruchstücke erscheint.
  • Tabellen verlieren ihre Struktur: Ohne sichtbare Linien fällt der Text einer Tabelle zu einer einfachen Abfolge von Wörtern und Zahlen zusammen.
  • Fußnoten landen mitten im Text: Fußnoten und Seitenzahlen tauchen dort auf, wo sie in der Datei abgelegt sind, nicht am Seitenende.

Das ist kein Fehler des Werkzeugs, sondern eine Eigenschaft des Formats. Für die Weiterverarbeitung als reinen Text ist das meist unproblematisch. Wer das Layout exakt braucht, sollte stattdessen die PDF in ein bearbeitbares Format umwandeln oder direkt in der PDF arbeiten.

Gescannte PDFs: erst OCR, dann extrahieren

Eine eingescannte PDF enthält keine Textebene, sondern nur Bilder der Seiten. Kopieren, pdftotext und Python-Bibliotheken finden darin keinen Text, weil es schlicht keinen zu finden gibt. In diesem Fall muss zuerst eine Texterkennung (OCR, Optical Character Recognition) die Buchstaben aus den Bildern lesen und eine Textebene erzeugen.

Die bekannteste freie Lösung dafür ist Tesseract, eine Open-Source-Texterkennung, die viele Sprachen unterstützt. Die Qualität des Ergebnisses hängt stark von der Vorlage ab: Ein sauberer Scan mit guter Auflösung liefert deutlich besseren Text als ein schiefes, unscharfes Foto einer Seite. Handschrift erkennt OCR in der Regel nur unzuverlässig. Nach der Erkennung lässt sich der Text wie bei jeder anderen PDF extrahieren, mit allen Methoden aus diesem Beitrag.

Welcher Weg passt wofür?

  • Einmalig, kurze Passage: Kopieren und Einfügen im PDF-Reader, danach kurz aufräumen.
  • Gelegentlich, ganze Dokumente: Ein Online-Tool, bei vertraulichen Inhalten lieber eine lokale Lösung.
  • Regelmäßig oder viele Dateien: pdftotext über die Befehlszeile oder ein Python-Skript mit pypdf oder pdfplumber.
  • Eingescannte PDFs: Erst OCR, zum Beispiel mit Tesseract, dann eine der Methoden oben.
  • Layout muss erhalten bleiben: Text extrahieren ist der falsche Weg. Bearbeiten Sie stattdessen die PDF selbst, zum Beispiel mit unserem Tool zum PDF bearbeiten, das Text auf Seiten hinzufügt und ändert.

Häufige Fragen

Warum lässt sich aus meiner PDF kein Text kopieren? Dann hat die PDF fast sicher keine Textebene. Das ist typisch für eingescannte Dokumente oder PDFs, die aus Bildern erzeugt wurden. Erst eine Texterkennung (OCR) erzeugt den Text, den Sie danach extrahieren können.

Bleibt die Formatierung beim Extrahieren erhalten? Nein. Extrahierter Text ist reiner Text ohne Schriftarten, Farben oder Layout. Wer Formatierung braucht, sollte die PDF in ein bearbeitbares Format umwandeln, statt nur den Text herauszulösen.

Funktioniert das auch mit passwortgeschützten PDFs? Nur, wenn Sie die PDF zuerst mit dem Passwort öffnen und ungeschützt speichern. Geschützte Dateien geben ihren Text an kein Werkzeug heraus, solange der Schutz besteht.

Ist extrahierter Text fehlerfrei? Bei PDFs mit Textebene ist der Text in der Regel exakt, abgesehen von Reihenfolge- und Trennungsfehlern wie oben beschrieben. Bei gescannten Vorlagen hängt die Fehlerquote von der Scanqualität ab. Lesen Sie das Ergebnis bei wichtigen Dokumenten immer gegen.

Was ist der Unterschied zum Umwandeln in Word? Beim Extrahieren erhalten Sie reinen Text. Beim Umwandeln in Word bleibt zusätzlich ein Teil der Formatierung erhalten, etwa Absätze und Überschriften. Für reine Textauswertung reicht Extrahieren, für Weiterbearbeitung als Dokument ist Umwandeln besser.