Warum die Umwandlung eines PDF Struktur verliert — und was hilft

Was wirklich in einem PDF steht

Ein Textverarbeitungsdokument ist ein Baum. Es hält fest, dass eine Textpassage eine Überschrift zweiter Ebene ist, dass diese Absätze zu jenem Abschnitt gehören, dass diese Zellen eine dreispaltige Tabelle bilden. Das Aussehen wird zur Anzeigezeit aus dieser Struktur abgeleitet.

Ein PDF ist das Gegenteil. Es ist eine Folge von Zeichenanweisungen: Setze diese Glyphe, aus dieser Schrift, in dieser Größe, an diese Koordinaten dieser Seite. Die Struktur, die das Layout hervorgebracht hat, wird nicht gespeichert. Sie diente der Berechnung der Positionen und wurde danach verworfen.

Das ist kein Versäumnis des Formats. PDF wurde 1993 entworfen, um zu garantieren, dass ein Dokument auf jedem Gerät und jedem Drucker identisch aussieht, und der Weg dorthin ist, das Aussehen exakt festzulegen und nichts der Neuberechnung zu überlassen. Das ist vollständig gelungen. Der Preis: Ein PDF weiß, wo jedes Zeichen sitzt, und nichts darüber, was es bedeutet.

Ein PDF in Markdown umzuwandeln ist deshalb kein Auslesen. Es ist ein Rückschluss: die Geometrie rückwärts lesen und raten, welche Struktur sie erzeugt hätte. Ein guter Konverter rät gut. Besser als raten kann keiner, weil die Antwort schlicht nicht in der Datei steht.

Die eine Ausnahme: getaggte PDFs

Ein getaggtes PDF führt einen zusätzlichen Strukturbaum mit, der aus Gründen der Barrierefreiheit hinzugefügt wird, damit ein Screenreader Überschriften ansagen und Tabellenzellen der Reihe nach vorlesen kann. Wo er vorhanden und korrekt ist, entfällt ein Großteil der Raterei.

In der Praxis trifft selten beides zu. Tagging ist optional, die meisten PDF-Erzeuger fügen es nicht hinzu, und viele, die es tun, erzeugen Tags, die dem sichtbaren Layout widersprechen: jeder Absatz als Überschrift ausgezeichnet, oder eine Tabelle als Folge von Absätzen. Ein Konverter, der schlechten Tags vertraute, lieferte schlechtere Ergebnisse als einer, der sie ignoriert.

Wenn Sie steuern, wie das PDF entsteht, und Ihnen die Umwandlungsqualität wichtig ist, ist ein korrekt getaggter Export aus Word oder LibreOffice das Nützlichste, was Sie tun können. Wandeln Sie Dokumente um, die von außen kommen, gehen Sie davon aus, dass sie ungetaggt sind.

Wie Struktur aus Geometrie erschlossen wird

Die Regeln, die jeder räumlich arbeitende Konverter verwendet, sind im Großen und Ganzen dieselben, und sie lohnen die Kenntnis, weil jede von ihnen einen Fehlerfall nach sich zieht.

Zuerst eine Einheit festlegen. Die Grundschrifthöhe — die häufigste Schrifthöhe im Dokument, gewichtet danach, wie viele Zeichen in ihr gesetzt sind — wird zum Maßstab, sodass die Regeln gleich funktionieren, ob das Dokument in 9 oder in 14 Punkt gesetzt ist.

Dann alles daran messen. Text auf gemeinsamer Grundlinie ist eine Zeile. Zeilen mit kleinem senkrechten Abstand sind ein Absatz; ein größerer Abstand beginnt einen neuen. Text, der spürbar größer gesetzt ist als der Fließtext, ist eine Überschrift, und wie viel größer entscheidet über die Ebene. Reihen, deren Fragmente an gemeinsamen waagerechten Positionen ausgerichtet sind, sind eine Tabelle. Ein hohes leeres senkrechtes Band in der Seitenmitte bedeutet zwei Spalten, die Lesereihenfolge muss also erst die eine und dann die andere hinunterlaufen.

Dieser Konverter arbeitet ungefähr mit diesen Schwellen, gemessen in Vielfachen der Grundschrifthöhe:

Jeder Fehler folgt aus einer Regel

Lesen Sie diese Liste noch einmal als Liste von Annahmen, und die Fehler hören auf, rätselhaft zu sein.

• Überschriften, die über Schriftstärke oder Farbe statt über Größe ausgezeichnet sind, bleiben für eine Größenschwelle unsichtbar. Ein Dokument, dessen Überschriften fett in 11 Punkt über 11-Punkt-Fließtext stehen, hat geometrisch überhaupt keine Überschriften.
• Tabellen mit verbundenen Zellen brechen den Test auf gemeinsame Positionen, weil eine verbundene Zelle an einer Position sitzt, die keine andere Reihe nutzt. Die Reihen fluchten nicht mehr, und der Block wird nicht mehr als Tabelle erkannt.
• Eine Tabellenzelle, deren Text auf eine zweite Zeile umbricht, sieht aus wie zwei Reihen, von denen eine ein Loch hat.
• Großzügiger Zeilenabstand kann Zeilen eines Absatzes über die Absatzschwelle schieben und ihn zerteilen. Enger Abstand zwischen Absätzen kann sie verschmelzen.
• Ein dreispaltiges Layout, zwei unterschiedlich breite Spalten oder Spalten, die von einer seitenbreiten Abbildung unterbrochen werden, hebeln den Test auf den mittigen Zwischenraum aus.
• Als Bild gesetzter Text — ein Logo mit Wörtern, ein Diagramm mit Beschriftungen, eine gescannte Seite — hat überhaupt keine Glyphen, also gibt es nichts zu positionieren und nichts zu lesen.

Welche Dokumente sauber durchlaufen

Das Muster ist überall dasselbe: einspaltige Dokumente aus einer Textverarbeitung, mit Überschriften, die sichtbar größer sind als der Fließtext, mit einfachen rechteckigen Tabellen und mit echtem Text statt Bildern von Text.

Das beschreibt die meisten Berichte, Aufsätze, Handbücher, Abschlussarbeiten, Verträge, Protokolle und internen Dokumentationen — also das meiste von dem, was Menschen umwandeln. Es beschreibt keine Magazine, Broschüren, Geschäftsberichte mit gestalteten Infografiken, Formulare, Rechnungen mit komplexen Tabellen und nichts Gescanntes.

Aus einem schwierigen Dokument mehr herausholen

Einige Maßnahmen helfen wirklich, grob nach Wirkung geordnet.

• Wenn Sie das PDF neu erzeugen können, exportieren Sie ein getaggtes — oder besser: überspringen Sie das PDF und wandeln Sie das Ursprungsdokument um. Ein PDF umzuwandeln, das aus einer Word-Datei entstanden ist, ist immer schlechter, als die Word-Datei umzuwandeln.
• Teilen Sie ein Dokument, das Layouts mischt. Wandeln Sie die zehn Fließtextseiten getrennt von den vier Tabellenseiten um, statt mit einer Umwandlung zu ringen, die beides bewältigen muss.
• Ziehen Sie eine störrische Tabelle einzeln heraus. Eine Tabelle, die innerhalb eines 60-seitigen Dokuments scheitert, läuft oft korrekt, wenn sie allein auf der Seite steht.
• Rechnen Sie damit, Überschriften von Hand zu korrigieren, wenn ein Dokument sie über die Schriftstärke auszeichnet. Das ist ein Suchen-und-Ersetzen-Durchgang, kein Neuschreiben.
• Lassen Sie über einen Scan zuerst die Texterkennung laufen. Eine Abkürzung gibt es nicht: Kein Parser kann Text finden, der nie als Text kodiert wurde.

Lesen Sie das Ergebnis immer

Der Fehler, der wirklich Zeit kostet, ist nicht die sichtbar zerbrochene Umwandlung. Es ist die, die stillschweigend etwas fallen lässt — eine Fußnote, die letzte Tabellenzeile, eine Zeile außerhalb der erkannten Spalte — und sauberes, plausibles Markdown mit einem Loch darin liefert.

Überfliegen Sie das umgewandelte Markdown neben dem Original, bevor Sie sich darauf verlassen, und achten Sie besonders auf Tabellen, auf alles Zahlenmäßige und auf die letzten Zeilen jeder Seite. Dort häufen sich die stillen Verluste.