Über My PDF 2 MD

Wer diese Seite betreibt

My PDF 2 MD wird von MyPDF2MD.com entwickelt und betrieben, einem unabhängigen Softwareprojekt mit Sitz in Kozhikode, Kerala, India. Kein Wagniskapital im Hintergrund, keine Fassade für eine Dokumentenverarbeitungs-API, und nichts von dem, was Sie umwandeln, wird weiterverkauft.

Hinter der Seite steht ein kleines Team. Es gibt keine Support-Warteschlange hinter einem Chatbot: Eine Mail erreicht einen Menschen. Allgemeine Fragen gehen an support@mypdf2md.com, alles zu personenbezogenen Daten an privacy@mypdf2md.com. Beide werden innerhalb von fünf Werktagen beantwortet, und die Kontaktseite bietet ein Formular, falls Sie lieber keine Mail schreiben.

Warum es das gibt

Fast alle PDF-zu-Markdown-Werkzeuge im Netz arbeiten gleich: Sie laden Ihr Dokument auf einen Server hoch, über den Sie nichts wissen, dort wird es verarbeitet, und danach sollen Sie einem Satz in einer Datenschutzerklärung glauben, was damit geschehen ist. Bei einer Speisekarte ist das gleichgültig. Bei einem unterschriebenen Vertrag, einem Arztbrief, einem Sitzungsprotokoll oder einem unveröffentlichten Manuskript ist es ein Tausch, den kaum jemand bewusst eingehen würde.

Die Technik, die diesen Tausch überflüssig macht, steckt seit Jahren in den Browsern. PDF.js, die PDF-Engine von Mozilla, läuft in der Seite selbst und kann ein Dokument lesen, ohne dass ein Teil davon das Netz überquert. Gefehlt hat nicht die Fähigkeit, sondern ein Werkzeug, das darum herum gebaut ist. Dieses hier wandelt deshalb standardmäßig auf Ihrem eigenen Rechner um, und das Datenschutzversprechen auf der Startseite beschreibt eine Architektur statt guter Absichten.

Diese Entscheidung hat einen Preis, und der sei klar genannt: Ein Browser-Tab hat weniger Arbeitsspeicher und weniger Rechenleistung als ein Server, sehr lange oder sehr komplexe Dokumente brauchen hier also länger als bei einem gehosteten Dienst. Für genau die Dokumente, um die man sich Sorgen macht, halten wir das für den richtigen Tausch.

Wie die Umwandlung wirklich abläuft

Das ist der Teil, den die meisten Konverter als Magie verkaufen, und er lohnt das Verständnis, weil er die Fehler erklärt, die das Werkzeug macht.

Ein PDF enthält keine Überschriften, Absätze, Listen oder Tabellen. Es enthält Glyphen an Koordinaten. Wenn ein Textprogramm ein PDF exportiert, wird die semantische Struktur des Ausgangsdokuments — dieser Textlauf ist eine Überschrift zweiter Ebene, diese Zeilen sind ein Absatz, diese Zellen bilden eine Tabelle — verworfen und durch Anweisungen ersetzt, Zeichen auf eine Seite zu malen. Ein PDF in Markdown umzuwandeln heißt, diese Struktur aus der Geometrie zurückzuschließen, und Schließen ist nicht Auslesen.

Der Konverter ermittelt zuerst die Grundschrifthöhe: die häufigste Schrifthöhe im Dokument, gewichtet danach, wie viele Zeichen in ihr gesetzt sind. Alles Weitere wird in Vielfachen dieser Einheit gemessen, und genau das macht das Ergebnis unabhängig davon, ob das Dokument in 9 oder in 14 Punkt gesetzt ist.

Von da an sind die Regeln geometrisch. Textläufe, deren Grundlinien um höchstens ein Drittel der Grundschrifthöhe auseinanderliegen, bilden eine Zeile. Aufeinanderfolgende Zeilen mit höchstens anderthalb Grundschrifthöhen Abstand bilden einen Absatz. Ein Textlauf, der spürbar größer gesetzt ist als der Fließtext — etwa ab dem 1,2-Fachen — ist eine Überschrift, und der Abstand entscheidet, ob H1, H2 oder H3 daraus wird. Zwei oder mehr aufeinanderfolgende Reihen, deren Zellen an mindestens zwei gemeinsamen x-Positionen ausgerichtet sind, ergeben eine Tabelle. Ein senkrechter Zwischenraum nahe der Seitenmitte teilt die Seite in Spalten, damit die Lesereihenfolge nicht hin- und herspringt. Kopf- und Fußzeilen, die sich Seite für Seite an derselben Stelle wiederholen, werden erkannt und entfernt.

Auszeichnungen im Fließtext werden aus der Schrift selbst gelesen statt geraten: Fett und Kursiv stammen aus Schnitt und Neigung der Schrift, dicktengleiche Läufe werden zu Code. Im PDF hinterlegte Verweise bleiben als Markdown-Links erhalten.

Wo es danebenliegt

Weil die Struktur erschlossen wird, hat das Werkzeug vorhersagbare Schwachstellen, und wir zählen sie lieber auf, als dass Sie sie an einem wichtigen Dokument entdecken.

• Ein Dokument, das Überschriften allein durch Fettung auszeichnet, ohne die Größe zu ändern, gibt der Überschriftenerkennung nichts an die Hand — solche Überschriften kommen als gewöhnliche Absätze heraus.
• Tabellen mit verbundenen Zellen, verschachtelte Tabellen und Zellen, deren Inhalt über mehrere Zeilen umbricht, verlieren ihre Ausrichtung, denn die Spaltenerkennung arbeitet über x-Positionen, und eine verbundene Zelle zerbricht das Raster.
• Mehrspaltige Layouts, die über eine schlichte Zweiteilung hinausgehen — eine Magazinseite mit Zitatkästen und Randspalten —, können eine durcheinandergeratene Lesereihenfolge ergeben.
• Mathematische Notation wird nicht in LaTeX übersetzt. Als Text gesetzte Formeln kommen als die Zeichen an, aus denen sie bestehen; als Bild eingefügte Formeln kommen gar nicht an.
• Bilder werden nicht extrahiert. Die Ausgabe besteht aus Text und Struktur.
• Ein gescanntes Dokument enthält überhaupt keinen auswählbaren Text, die Umwandlung im Browser fördert daraus also nichts zutage. Dieser Fall wird gesondert behandelt, durch die optionale Texterkennung weiter unten.

Das Einzige, was Ihr Gerät verlässt

Ein Scan ist ein Foto einer Seite. Es steckt kein Text darin, den man lesen könnte, also wird auch keine noch so gründliche Analyse im Browser welchen hervorbringen. Ihn zu lesen erfordert optische Zeichenerkennung, und die braucht weit mehr Rechenleistung, als ein Browser-Tab bieten kann.

Für diesen Fall, und nur für diesen, können Sie uns bitten, ein Dokument auf unserem eigenen Server erkennen zu lassen. Automatisch geschieht das nie. Das Werkzeug stellt fest, dass eine Datei keinen auswählbaren Text hat, sagt das, und bietet die Erkennung als Entscheidung an, die Sie bestätigen müssen: Ein Dialog nennt die Zahl der hochzuladenden Seiten, wohin sie gehen und wie lange sie aufbewahrt werden, bevor irgendetwas gesendet wird.

Die Erkennung läuft auf unserer eigenen Infrastruktur mit unserer eigenen Engine. Die Datei bleibt für die Dauer des Auftrags im Arbeitsspeicher und wird danach vernichtet; nichts wird auf die Festplatte geschrieben, und kein Dritter erhält sie. Was bleibt, ist ein Nutzungseintrag — Seitenzahl, Zeitstempel, Erkennungssprache und entweder Ihre Konto-ID oder ein gesalzener Hash Ihrer IP-Adresse. Er dient dem Tageslimit und dem Erkennen von Missbrauch, enthält keinen Teil Ihres Dokuments und wird nach dreißig Tagen gelöscht.

Das Ergebnis der Erkennung ist eine Schätzung, keine Abschrift. Sie verwechselt Zeichen, besonders in Namen, Zahlen, Daten und Aktenzeichen, und Wörter, die sie nicht lesen kann, fallen weg, statt markiert zu werden. Das Ergebnis wird entsprechend gekennzeichnet, mit dem Konfidenzwert der Engine und einer Liste der Seiten, bei denen sie am unsichersten war. Handschrift liest sie nicht, mathematische Formeln wandelt sie nicht um.

Wie sich ein kostenloses Werkzeug trägt

Der Web-Konverter ist kostenlos, verlangt keine Anmeldung und zeigt Werbung. Das gehört auf die Seite geschrieben statt entdeckt zu werden, also: Diese Seite verdient Geld mit Anzeigen, und sie verdient kein Geld mit Ihren Dokumenten.

Sie kann es auch gar nicht, und das ist der Zweck der Architektur und keine Richtlinie, der Sie glauben sollen. Eine im Browser umgewandelte Datei erreicht uns nie. Es gibt hier keinen Bestand hochgeladener PDFs, den man auswerten, für Training verwenden oder verkaufen könnte, weil es keinen Upload gibt.

Werbung wird erst geladen, nachdem Sie zugestimmt haben. Lehnen Sie die Kategorie Werbung im Cookie-Banner ab, wird überhaupt kein Anzeigenskript geladen — nicht eines, das weniger Anzeigen zeigt, sondern keines. Dasselbe gilt für die Reichweitenmessung. Beide Kategorien sind aus, bis Sie sie einschalten, und im Fußbereich führt ein Link dorthin zurück.

Keine Seite hier verlangt Geld für irgendetwas: Es gibt nichts zu kaufen, keinen Tarif zum Aufrüsten und kein Konto anzulegen.

Was wir nicht tun

• Wir laden im Browser umgewandelte Dokumente nicht hoch — es gibt keinen Codepfad, der das könnte.
• Wir verlangen für den Web-Konverter weder Konto noch E-Mail-Adresse noch Anmeldung.
• Wir speichern, indizieren, trainieren mit und verkaufen weder Dokumente noch umgewandelte Ausgaben.
• Wir laden Werbung und Reichweitenmessung nicht, bevor Sie der jeweiligen Kategorie zugestimmt haben.
• Wir beanspruchen keinerlei Rechte an Ihren Dokumenten oder an dem Markdown, das Sie zurückbekommen.

Wie es gebaut ist

Für alle, die lieber Details lesen als Beteuerungen:

Korrekturen

Wenn hier etwas falsch ist — ein Sachfehler in einem Leitfaden, eine Umwandlung, die auf eine von uns nicht beschriebene Weise scheitert, eine Aussage auf dieser Seite, die nicht zum Verhalten des Werkzeugs passt — schreiben Sie an support@mypdf2md.com. Wir korrigieren es und sagen, was sich geändert hat. Das Datum oben auf dieser Seite ist der Tag, an dem ihr Inhalt zuletzt gegen das Produkt geprüft wurde.