PDF in Word umwandeln: 4 Methoden, OCR und Fehlerquellen

Adobe hat PDF 1993 entwickelt, damit ein Dokument auf jedem Rechner gleich gedruckt wird; 2008 wurde das Format als ISO 32000-1 internationaler Standard. Um dieses Versprechen zu halten, ist eine PDF-Seite eine Liste von Zeichenanweisungen: Setze diese Zeichen an diese Koordinaten in dieser Schrift, zeichne hier eine Linie, platziere dort ein Bild. Ein Satz, der in die zweite Zeile umbricht, besteht also aus zwei voneinander unabhängigen Textstücken, die zufällig untereinander stehen. Nichts in der Datei besagt, dass sie zusammengehören.

Ein Word-Dokument funktioniert umgekehrt. Eine DOCX-Datei, definiert durch den Standard Office Open XML (ECMA-376, später ISO/IEC 29500), speichert Absätze, Formatvorlagen, Tabellen, Abschnittswechsel und Kopfzeilen, und Word entscheidet bei jedem Seitenaufbau neu, wo eine Zeile umbricht. Fügen Sie ein Wort hinzu, wird der Absatz neu umbrochen. Ändern Sie Rand, Schriftart oder Papierformat, verschiebt sich jede Zeile. Genau das wünschen Sie sich beim Bearbeiten, und genau das hat ein PDF nie festgehalten, weil es mit dem Speichern fertig war.

Die Umwandlung von PDF in Word ist daher eine Rekonstruktion, kein Entpacken. Der Konverter muss raten, welche Zeilen einen Absatz bilden, welche fette Zeile eine Überschrift und kein kurzer fetter Satz ist, welche ausgerichteten Wörter eine Tabelle ergeben und in welcher Reihenfolge zwei Spalten zu lesen sind. Gute Konverter raten bei sauberen Dokumenten gut und bei unruhigen schlecht. Wurde das PDF mit Tags exportiert (der Strukturebene für Barrierefreiheit), werden die Vermutungen besser, weil die Tags Überschriften, Listen und Lesereihenfolge ausdrücklich festhalten.

Es gibt zwei sehr verschiedene Dinge, die beide auf .pdf enden. Ein Text-PDF wurde aus Word, Google Docs, einem Buchhaltungssystem oder dem Druckdialog eines Browsers exportiert und enthält echte Zeichen, die Sie markieren, kopieren und durchsuchen können. Ein gescanntes PDF stammt von einem Scanner, einem Kopierer oder einer Handy-App, und jede Seite ist ein Foto von Papier. Für einen Konverter enthält eine gescannte Seite gar keine Wörter, nur Pixel, selbst wenn der Text auf dem Bildschirm gestochen scharf aussieht. Dateiname und Symbol verraten nichts; im Dateimanager sehen beide Arten gleich aus.

Eine gescannte Seite muss zuerst durch die optische Zeichenerkennung (OCR), bevor etwas Bearbeitbares herauskommen kann. OCR betrachtet die Form der Buchstaben und macht daraus Text; die Genauigkeit hängt von Auflösung, Kontrast, Schräglage und Sprache ab. Ein sauberer Scan mit 300 dpi, schwarz auf weiß, wird nahezu fehlerfrei gelesen; ein schräg unter der Schreibtischlampe aufgenommenes Handyfoto erzeugt in jedem Absatz Tippfehler. Konverter ohne OCR liefern entweder ein leeres Dokument oder eine Word-Datei, in der jede Seite als ein Bild eingefügt ist.

Viele Dateien in der Praxis sind gemischt: ein als Text exportierter Vertrag mit einer am Ende gescannten, unterschriebenen Unterschriftenseite oder ein Bericht mit einem Anhang aus gescannten Belegen. Am besten kommt ein Konverter zurecht, der jede Seite einzeln prüft, denn er liest die Textseiten direkt und setzt OCR nur dort ein, wo sie nötig ist, sodass die exportierten Seiten zeichengenau bleiben. Wenn Sie die Scans selbst erstellen, erklärt die Anleitung zum Scannen von Dokumenten als PDF, mit welcher Auflösung und Beleuchtung die OCR die besten Chancen hat.

Microsoft Word öffnet PDFs seit Word 2013 direkt, mit einer Funktion, die Microsoft PDF Reflow nennt. Sie ist die naheliegende Wahl, wenn Word bereits installiert ist, und kommt mit schlichten Briefen und Berichten gut zurecht. Es wird jeweils eine Datei umgewandelt. Google Docs bietet über Google Drive einen ähnlichen Weg. Die Hilfeseite von Google zum Umwandeln von PDFs in Text empfiehlt Dateien mit höchstens 2 MB und sagt, dass Listen, Tabellen, Spalten, Fuß- und Endnoten wahrscheinlich nicht erkannt werden. Das deckt sich mit der Praxis: Die Wörter kommen an, die Struktur oft nicht.

Adobe Acrobat Standard und Pro exportieren über das Werkzeug PDF exportieren nach Word und führen bei gescannten Seiten automatisch eine Texterkennung durch. Acrobat ist ein kostenpflichtiges Abonnement, und der kostenlose Acrobat Reader enthält den Export nicht. Ein Browser-Konverter liegt dazwischen: nichts zu installieren, läuft auf jedem Betriebssystem und bietet meist die Wahl zwischen Fließtext und exaktem Layout. Auf der Seite PDF in Word umwandeln liest Texterkennung (OCR) auf Auto nur die Seiten ohne Textebene, und Sprache des Dokuments legt das OCR-Alphabet für Scans fest, die nicht auf Englisch sind.

Das PDF Reflow von Word steckt im gewöhnlichen Öffnen-Dialog, weshalb viele es nie bemerken. Es funktioniert in Word 2013, 2016, 2019, 2021 und Microsoft 365 unter Windows. Word zeigt einen Hinweis, dass es das PDF in ein bearbeitbares Dokument umwandelt, dass dies eine Weile dauern kann und dass das Ergebnis dem Original nicht exakt gleichen muss, besonders bei vielen Grafiken. Klicken Sie auf OK, und die umgewandelte Kopie öffnet sich als neues, ungespeichertes Dokument; das PDF selbst wird nie verändert.

Microsofts eigene Dokumentation nennt Elemente, die möglicherweise nicht umgewandelt werden, darunter Fußnoten über mehr als eine Seite, Endnoten, PDF-Lesezeichen und -Kommentare sowie Schrifteffekte wie Leuchten oder Schatten. In der Praxis macht Word außerdem aus Seitenleisten, Zitatblöcken und mehrspaltigen Magazinseiten gern frei schwebende Textfelder, die richtig aussehen, sich aber mühsam bearbeiten lassen. Zudem gibt es in Word keine Einstellung für die Sprache eines Scans, sodass Text mit Akzenten oder nicht lateinischen Zeichen auf gescannten Seiten Glückssache ist. Für einen einseitigen Brief oder einen schlichten Bericht ist es dennoch oft der schnellste Weg, und das Ergebnis liegt schon im Editor, in dem Sie weiterarbeiten.

Einspaltiger Fließtext mit echten Überschriften lässt sich mit jedem Werkzeug gut umwandeln: Briefe, Aufsätze, Verträge, die meisten Berichte. Fett, kursiv, Aufzählungen und einfache Tabellen mit sichtbaren Rahmen bleiben meist erhalten. Bilder kommen mit, solange der Konverter sie behält; beim Browser-Weg ist das die Option Bilder beibehalten, die bei DOCX standardmäßig aktiv ist. Hyperlinks bleiben in der Regel erhalten, wenn sie im PDF echte Links waren; blauer unterstrichener Text, der nie ein Link war, bleibt einfacher Text. Je sauberer und konventioneller das ursprüngliche Layout, desto weniger bemerken Sie die Umwandlung überhaupt.

Probleme beginnen dort, wo das Seitenlayout Bedeutung trägt. Zweispaltiger Text kann quer statt spaltenweise gelesen werden. Tabellen ohne Trennlinien sind schwer zu erkennen und kommen eventuell als durch Tabulatoren getrennte Zeilen an. Kopf- und Fußzeilen sowie Seitenzahlen werden auf jeder Seite als gewöhnlicher Text gezeichnet und landen deshalb oft mitten im Haupttext, einmal pro Seite. Ausfüllbare Formularfelder werden zu einfachem Text geglättet oder gehen verloren. Eingebettete Schriften, die auf Ihrem Computer fehlen, werden durch die ähnlichste ersetzt, was die Zeilenlängen verändert. Bei Dokumenten, die überwiegend aus Tabellen bestehen, ist eine Tabellenkalkulation das bessere Ziel; siehe Tabellen aus Bildern und PDFs extrahieren.

Nehmen Sie sich vor dem Bearbeiten zwei Minuten Zeit, um die Umwandlung zu prüfen, denn ein Strukturproblem lässt sich am Anfang leichter beheben als nach dem Umschreiben des halben Textes. Legen Sie PDF und Word-Datei nebeneinander und blättern Sie durch beide. Achten Sie auf fehlende Absätze an Seitenübergängen, in den Haupttext gerutschte Kopfzeilen und Tabellen, die zu losen Zeilen geworden sind. Bedeutet bei eingeblendeten Formatierungszeichen eine Absatzmarke am Ende jeder Zeile, dass Sie ein zeilenweises Layout statt Absätzen erhalten haben, behebt eine erneute Umwandlung mit Fließtext das meist schneller als Zeilen von Hand zu verbinden.

Führen Sie bei gescannten Seiten eine Rechtschreibprüfung durch und achten Sie besonders auf Zahlen, die Rechtschreibprüfungen ignorieren. OCR verwechselt häufig die Ziffer 0 mit dem Buchstaben O, 1 mit l und 5 mit S, und in einer Rechnung oder einem Vertrag wiegt eine einzige falsche Ziffer schwerer als zehn Tippfehler. Sind ganze Absätze unleserlich, prüfen Sie Sprache des Dokuments und wandeln Sie erneut um, bevor Sie von Hand korrigieren. Ist das Layout nicht mehr zu retten, kopieren Sie den sauberen Text in ein neues Dokument auf Basis Ihrer eigenen Vorlage; das geht oft schneller, als Textfelder zu entwirren.

Jeder Konverter rekonstruiert ein Dokument, das irgendwo schon einmal in bearbeitbarer Form existiert hat. Stammt das PDF von einem Kollegen, einem Kunden oder von Ihnen selbst, ist die ursprüngliche DOCX-, Google-Docs- oder InDesign-Datei fast immer besser als jede Umwandlung: Formatvorlagen intakt, echte Tabellen, Änderungsverfolgung und Kommentare erhalten. Eine kurze E-Mail mit der Bitte um die Quelle kann eine Stunde Nacharbeit sparen, und die Leute haben selten etwas dagegen. Sie vermeidet auch ein subtileres Problem: Eine umgewandelte Datei sieht fertig aus, sodass kleine Fehler aus der Umwandlung unbemerkt in die nächste Version wandern können.

Erst nachzufragen ist richtig bei langen Dokumenten, die Sie stark bearbeiten, bei Vorlagen, die Sie wiederverwenden, bei allem mit komplexen Tabellen oder Formularen und bei rechtlichen oder finanziellen Dokumenten, bei denen eine einzige falsch gelesene Ziffer ein Risiko ist. Umwandeln ist richtig, wenn die Quelle verloren ist, wenn das PDF der Scan eines Papiers ist, das nie ein digitales Original hatte, oder wenn Sie nur ein paar Absätze übernehmen möchten. Dann liefert der PDF-Konverter auch reinen Text, der sich besser zitieren lässt als eine voll formatierte Word-Datei.

Ein signiertes oder zertifiziertes PDF ist ein Sonderfall. Die Umwandlung in Word entfernt die Signatur und ihre Gültigkeit, betrachten Sie die Word-Datei daher nur als Arbeitskopie. Wenn Sie eine bearbeitete Version zurückschicken müssen, nehmen Sie Ihre Änderungen in der Word-Kopie vor, exportieren sie erneut als PDF und lassen sie erneut signieren; geben Sie die umgewandelte Datei nicht als signiertes Original aus. Dasselbe gilt für PDFs mit Zertifizierung oder amtlichem Siegel: Das sichtbare Zeichen bleibt vielleicht erhalten, sein digitaler Nachweis nicht.